笔记

LangChain 不是一个更聪明的模型，而是 LLM 应用的工程骨架。

它把模型调用、messages、prompt、tool、RAG、结构化输出和 Agent 循环放到一套统一接口里。

前面几篇分别看了 Agent、Function Calling 和 RAG；这一篇补上“这些能力如何被组织成应用”。

RAG 是在推理时临时给模型补证据：先检索，再把资料放进上下文，再生成回答。

它不把知识写进模型参数，而是把外部资料变成可检索的上下文。本文只建立核心认知：RAG 的组件、两条数据流、相似度检索、能力边界，以及截至 2026-07-02 常见的现代 RAG 优化方向。

Function Calling 的核心不是“让大模型执行函数”，而是“让大模型用结构化格式告诉程序该调用哪个工具”。

LLM 负责判断工具和生成参数，程序负责解析参数、执行函数、回填结果。
这篇笔记按工程链路整理：工具怎么定义、模型返回什么、代码怎么接、出错先查哪里。

大模型解决“生成回答”，Agent 解决“完成任务”。

最小结构：

Agent = 大模型 + 工具 + 上下文 + 任务循环。

本文先建立整体地图：大模型、Workflow、Function Calling、RAG、Memory 和 Agent 的关系。

一、训练的本质

训练一个大模型，就是不断调整参数的过程。

给模型看大量例子，让它自己学会规律。

就像教小孩说话——听多了，自然就会了。

一、从一个问题开始

想象你在读这句话：

“小明把苹果递给了小红，因为它饿了”

请问这个"它"指的是什么？

• 是"小明"？
• 是"小红"？
• 还是"苹果"？

一、什么是大模型

大模型指参数规模很大、在大量数据上训练出来的模型,最常见的是大语言模型(LLM)。

1. 齐次坐标

• 点：
  在三维空间中，点 $(x,y,z)$ 的齐次坐标表示为 $(sx,sy,sz,s)$，其中 $s$ 是非零的缩放系数。通过将点转为齐次坐标，几何变换可以通过矩阵乘法统一处理。
• 向量：
  向量 $(x,y,z)$ 的齐次坐标为 $(x,y,z,0)$。由于向量表示方向而不携带位置信息，最后一位设置为 0，这也确保了向量在几何变换中不会受到平移的影响。

1. 基本概念

矩阵（Matrix）是一个按照行和列排列的矩形数组。一个拥有 m 行 n 列的矩阵被称为 $m\times n$ 矩阵 $M$。$M_{ij}$ 表示矩阵中第 i 行第 j 列的元素。

$$M = \begin{bmatrix} M_{11} & M_{12} & \cdots & M_{1n} \\ M_{21} & M_{22} & \cdots & M_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ M_{m1} & M_{m2} & \cdots & M_{mn} \end{bmatrix}$$

在三维空间（3D）中，点（Point）和向量（Vector）虽然都可以用笛卡尔坐标系中的坐标表示，但它们的物理含义和数学意义是有本质区别的。