LangChain 实战第1天：环境验证+核心认知（理论基础打底）
核心节奏：每日聚焦1个核心模块+落地实操，从基础调用到综合实战，全程基于本地环境，拒绝纯理论，每天1.5-2.5小时即可完成。
学习内容
快速了解LangChain核心价值、6大核心组件（模型/提示/链/记忆/文档处理/RAG）核心作用
本地环境二次校验，梳理已装依赖（langchain-core/community、模型依赖、FAISS）
核心目标：快速建立LangChain认知框架，确认本地环境可正常适配LangChain及相关依赖，为后续实操筑牢基础，无需深入复杂原理，重点在于"懂定位、能运行"。
快速了解LangChain核心价值、6大核心组件（模型/提示/链/记忆/文档处理/RAG）核心作用：
核心价值：LangChain并非独立大模型，而是"大模型连接器"，核心作用是将大模型（API型/开源型）与外部资源（本地文档、数据库、工具等）串联，简化复杂AI应用的开发流程，避免重复编写基础调用代码，让开发者聚焦业务逻辑而非底层适配。
6大核心组件通俗解读（无需深入源码，先懂用途，结合实操重点展开）
1. 模型（Models）
LangChain的"核心动力源"，相当于整个应用的"大脑"，是所有生成式任务（问答、总结、创作）的基础——本质是LangChain通过统一接口，适配你本地已配置的各类大模型，无需单独为不同模型编写调用代码。
补充：后续重点学习2类模型的本地调用——API型模型（如OpenAI、智谱，需配置密钥，调用便捷、效果稳定）、开源型模型（如Llama3、Qwen，需本地部署，隐私性强、无调用成本），核心掌握模型参数配置（温度、最大生成长度等），且模型无法单独发挥作用，需与提示、链等组件配合，实现精准输出，本地实操中可直接通过LangChain封装的接口调用，无需关注底层实现。
2. 提示（Prompts）
LangChain的"指令导航器"，相当于给"大脑"的"操作说明书"，解决纯大模型"输出不可控"的痛点——纯大模型直接输入问题，易出现答非所问、格式混乱的情况，而提示组件通过模板化、标准化的指令，约束模型输出格式和内容方向。
补充：后续重点学习3类常用提示模板——PromptTemplate（通用文本模板，适合单一任务）、ChatPromptTemplate（对话式模板，适配多轮聊天场景）、FewShotPromptTemplate（小样本模板，给模型示例，提升输出准确性），提示模板可重复复用、灵活修改，本地实操中需结合具体任务（如文本总结、问答）编写，是优化模型输出的核心手段。
3. 链（Chains）
LangChain的"任务串联器"，核心作用是将多个独立操作（如"提示模板调用+模型调用+结果处理"）串联起来，实现多步任务自动化，解决纯大模型"只能单步执行"的痛点——纯大模型每次只能处理一个简单任务，而链可将多个简单任务组合，完成复杂需求（如"加载文档→总结文档→基于总结生成问答"）。
补充：后续重点学习2类核心链——LLMChain（最基础的链，串联提示模板与模型，实现单步任务执行）、SimpleSequentialChain（顺序链，串联多个LLMChain，按步骤执行多步任务），链是组件融合的核心载体，后续记忆、RAG的实操，都需要与链结合，本地实操中可通过简单代码拼接链，实现多步任务自动化。
4. 记忆（Memory）
LangChain的核心组件之一，专门解决大模型"无长期记忆"的痛点——纯大模型每次调用都是独立会话，无法记住上一轮/多轮的聊天内容，而Memory会将历史对话信息（用户提问、模型回复）存储起来，每次新调用时，自动将历史记忆与当前提问拼接，传递给大模型，实现多轮连贯对话。
补充：后续会重点学习2种常用记忆类型——ConversationBufferMemory（简单存储全部历史对话，适合短对话，本地实操易上手）、ConversationSummaryMemory（自动总结历史对话，生成精简摘要，适合长对话，避免占用过多上下文窗口），记忆无法单独使用，必须与"链（Chains）"结合，才能实现多轮对话功能，本地实操中可直接调用内置方法，无需自己编写记忆存储逻辑。
5. 文档处理（Document Loaders）
不仅支持加载本地TXT/PDF/Markdown等文档，还可适配云端、服务端文件链接（如阿里云OSS、腾讯云COS、GitHub RAW文件链接等），通过内置加载器获取远程文档内容，统一转化为模型可读取的格式，适配本地实操与后续远程文档拓展需求。
6. RAG（检索增强生成）
LangChain中最常用、最核心的应用场景之一，核心是"检索+生成"双向结合，彻底解决纯大模型的两大痛点——一是"胡言乱语"（模型训练数据有时间限制，且无法获取本地/私有文档信息，易生成错误内容），二是"内容无依据"（回答无法对应具体参考来源）。
补充：RAG的核心逻辑的是"先检索、后生成"，简单来说，当用户提出一个问题时，不会直接让大模型回答，而是先从你本地（或云端）加载的文档中，检索出与问题最相关的片段（这一步依赖文档处理、向量化、FAISS向量库），再将"用户问题+检索到的相关文档片段"一起传递给大模型，让模型基于这些明确的参考内容，生成准确、有依据的回答。
后续重点学习：第4天的文档处理、向量化是RAG的前置基础，第5天会专门学习RAG完整流程（加载→分割→向量化→检索→生成）和核心配置，第6天综合实战会将RAG与记忆、提示工程结合，开发多轮对话RAG机器人，全程基于本地环境实操，无需复杂部署，重点掌握Retriever（检索器）配置、检索参数调优，就能实现本地文档精准问答。
2. 本地环境二次校验，梳理已装依赖（langchain-core/community、模型依赖、FAISS）
校验目的：避免后续实操中因依赖缺失、版本不兼容或配置错误导致代码运行失败，充分利用你已搭建好的本地环境。
具体校验步骤：
1. 查看已安装依赖
打开本地终端，输入命令：
# Windows
pip list | findstr langchain
# Mac/Linux
pip list | grep langchain
确认已安装langchain-core（核心组件）、langchain-community（社区扩展组件，包含文档加载、开源模型适配等）。
2. 校验模型依赖
分类型校验（根据你本地已搭建的模型选择对应步骤，无需两种都操作）：
a. 若使用API型模型（如OpenAI、智谱AI、百度文心一言等）
检查核心依赖包是否安装：
# OpenAI
pip list | findstr openai # Windows
pip list | grep openai # Mac/Linux
# 千问AI
pip list | findstr dashscope # Windows
pip list | grep dashscope # Mac/Linux
# 智谱AI
pip list | findstr zhipuai # Windows
pip list | grep zhipuai # Mac/Linux
若未安装对应包，终端输入命令安装：
pip install openai # 安装OpenAI依赖
pip install dashscope # 安装千问AI依赖
pip install zhipuai # 安装智谱AI依赖
b. 若使用开源型模型（如Llama3、Qwen、ChatGLM等）
检查核心适配包是否安装：
# Llama系列
pip list | findstr llama-cpp-python # Windows
pip list | grep llama-cpp-python # Mac/Linux
# Qwen系列
pip list | findstr qwen-api # Windows
pip list | grep qwen-api # Mac/Linux
# ChatGLM系列
pip list | findstr transformers # 核心依赖
若未安装对应包，终端输入命令安装：
pip install llama-cpp-python # 安装Llama依赖
pip install qwen-api # 安装Qwen依赖
pip install transformers # 安装ChatGLM依赖
3. 校验FAISS依赖
输入命令：
# Windows
pip list | findstr faiss
# Mac/Linux
pip list | grep faiss
确认已安装FAISS（本地向量库，后续文档向量化、检索需用到）。
若未安装，补充安装命令如下（适配本地CPU环境，无需GPU，通用且易安装）：
pip install faiss-cpu==1.7.4
通用提醒：安装依赖时，若出现报错（如编译失败），优先升级pip版本：
pip install --upgrade pip
4. 版本适配提醒
无需追求最新版本，确保langchain-core与langchain-community版本一致，且与你本地的Python版本（建议3.8及以上）、模型依赖版本、FAISS版本兼容。若出现报错，优先降级/升级对应依赖。
