LangChain 1.2 入门（五）：RAG、Agent 与应用场景选型

RAG 的完整链路与 reranker 取舍、Agent 的五要素与记忆机制、Prompt/Function Calling/RAG/Fine-tuning 四种落地形态及选型顺序。 环境就绪后，最后一节看应用落地的形态。大模型应用的技术特点是「门槛低、天花板高」：写第一个对话程序只要几行代码，但要做到生产可用，需要组合检索、工具、记忆、评测等一整套能力。 05.1 RAG 开发 背景。 大模型有两个绕不开的问题。第一是知识冻结：随着 LLM 规模扩大，训练成本和周期增加，模型无法实时学习最新信息，遇到「请推荐现在的热门影片」这类时间敏感的问题就答不准。第二是幻觉：问题涉及训练中从未学过的信息时，模型无法给出准确答复，转而编造答案。 一个直观的例子。 让 LLM 参加考试，面对陌生领域时答复能力…