【LangChain】 LLM 与 Embedding 深度解析：底层原理、提示词工程、原生接入与实战指南

🔥个人主页：Cx330🌸

❄️个人专栏：《C语言》《LeetCode刷题集》《数据结构-初阶》《C++知识分享》

《优选算法指南-必刷经典100题》《Linux操作系统》:从入门到入魔

《Git深度解析》:版本管理实战全解 《Qt 极境架构》MySQL 核心技术与实战

🌟心向往之行必能

🎥Cx330🌸的简介：

目录

前言

一、 从传统数学函数到“超级加工厂”：彻底搞懂什么是模型

1.1 模型的本质：从数据中学习规律的数学函数

1.2 传统小模型的三个关键特点

二、 深度拆解大语言模型（LLM）：从“自动补全”到“认知涌现”

2.1 什么是大语言模型？

（1）神经网络：模仿人脑的复杂决策流水线

（2）自监督学习：“完形填空” 超级大师

（3）半监督学习：“师父领进门，修行在个人”

（4）语言模型：“超级自动补全系统”

2.2 LLM 的四大核心能力维度

2.3 主流 LLM 与演进脉络

主流大模型代表：

技术演进时间线（2017 – 2026）：

三、LLM 的四大核心能力，重新定义人机交互

3.1 语言大师：自然语言理解与创造的革命

3.2 知识巨人：可对话的全互联网知识库

3.3 逻辑与代码巫师：从思维到实现的跨越

3.4 多模态先知：开启 “全感知” AI 时代

四、 提示词工程（Prompt Engineering）：释放 LLM 潜能的魔法

4.1 CO-STAR 结构化框架

4.2 少样本提示：用示例教会 LLM 你的需求

4.3 思维链提示（CoT）：让模型学会 “思考”

4.4 零样本思维链：一句魔法短语提升推理准确率

4.5 自我批判与迭代：让模型自己优化输出

五、 LLM 的原生接入方式与生产落地方案

5.1 API 远程调用：最主流便捷的接入方式

5.2 SDK 接入：API 调用的封装与简化

5.3 开源模型本地部署：私有化 LLM 能力的最佳方案

5.4 原生接入的瓶颈与 LangChain 的诞生

六、 语义世界的桥梁：嵌入模型（Embedding Model）与向量化

6.1 嵌入模型的本质：把人类语言翻译成计算机的数学语言

6.3 嵌入模型的四大核心应用场景

（1）语义搜索

（2）检索增强生成（RAG）

（3）推荐系统

（4）异常检测

6.4 嵌入模型接入实战

七、LangChain：连接 LLM 与业务应用的核心桥梁

结语

前言

近两年来，以 ChatGPT、DeepSeek 为代表的大语言模型（LLM）掀起了新一轮的技术革命。作为一名传统 C++/后端开发者，面对 AI 浪潮的席卷，我们不仅要学会“如何使用 AI 工具”，更需要从底层原理上理解大模型是如何学习与推理的，以及如何在工程中高效接入与掌控大模型。

本文将立足于工程实践与底层逻辑，结合图解与代码示例，带大家从零建立完整的大模型知识体系！

一、 从传统数学函数到“超级加工厂”：彻底搞懂什么是模型

在深入 LLM 之前，我们首先需要回归 AI 的本质：什么是模型（Model）？

1.1 模型的本质：从数据中学习规律的数学函数

在计算机科学中，模型本质上就是一个通过数据训练得出的复杂数学函数 f(x)，或者说是一套经过特殊训练后掌握的“程序规则”。

模型的学习与推理过程可概括为：

[原始数据] ──> [预处理] ──> 数据输入 x ──> 迭代优化 [ f(x) ] ──> 预测结果 / 生成内容 y

我们可以将模型想象成一个“超级加工厂”：

• 训练阶段：训练师给工厂展示海量的输入与输出范例（数据），工厂通过迭代优化调整内部参数，摸索出输入与输出之间的内在数学规律。

• 预测阶段：输入未见过的数据 x，工厂根据学到的规律计算出相应的输出 y。

最简单的推导比喻：

• 范例 1：输入 [1, 2, 3] 输出 2

• 范例 2：输入 [5, 10, 15] 输出 10

• 总结规律：输出始终为输入序列的中间数值。

• 推理应用：当再次输入 [8, 9, 10] 时，模型就能准确预测出输出为 9。

1.2 传统小模型的三个关键特点

在 LLM 出现之前，传统机器学习/深度学习模型通常具备以下特点：

二、 深度拆解大语言模型（LLM）：从“自动补全”到“认知涌现”

2.1 什么是大语言模型？

大语言模型（Large Language Model, LLM） 是指基于大规模神经网络（参数规模通常达数十亿至万亿级别，例如 GPT-3 包含了 1750 亿个参数），通过自监督或半监督方式，在海量无标注文本上训练而成的语言模型。

为彻底理解 LLM，我们需要拆解四个核心概念：

┌── 1. 神经网络（复杂的条件反射流水线）
├── 2. 自监督学习（海量“完形填空”自学）
大语言模型（LLM）核心四大基石 ┼── 3. 半监督学习（少量名师指导 + 海量自学）
└── 4. 语言模型（计算“接下来最可能说什么”）

（1）神经网络：模仿人脑的复杂决策流水线

神经网络可以理解为一个极其高效的团队工作流程或条件反射链，它完全模仿人脑神经元的工作模式： 就像教小朋友识别猫，我们不会只给一条 “有胡子就是猫” 的规则，而是让他看海量猫的图片，大脑里的神经元会分工协作：有的识别尖耳朵、有的识别胡须、有的识别毛茸茸的尾巴，最终综合所有信息判断 “这是猫”。

神经网络就是由大量虚拟 “神经元”（即参数）和连接组成的多层结构，前一层的输出作为后一层的输入。通过海量数据训练，网络会自主调整每个神经元的权重（参数值），最终形成一套复杂的决策系统。参数就是 LLM 的 “脑细胞”，参数规模越大，模型的思考复杂度和全面性就越强。

（2）自监督学习：“完形填空” 超级大师

自监督学习是 LLM 最核心的训练方式，本质上是让模型自己给自己当老师，从无标注的原始文本中自主学习规律。

我们可以用学外语的场景类比：没有老师出题和批改，我们就拿一本外语小说玩 “完形填空”，随机盖住一个词，根据上下文猜测这个词是什么。经过亿万次练习，我们就能彻底掌握这门语言的语法、词汇搭配和上下文逻辑。

LLM 的自监督学习正是这个过程：面对互联网上海量的无标注文本，它随机遮住一句话中的某个词，尝试根据上下文预测被遮住的内容。通过这种方式，它无需人工标注，就能高效学习到整个语言世界的底层规律。

（3）半监督学习：“师父领进门，修行在个人”

半监督学习是自监督学习的补充，核心是少量标注数据入门 + 海量无标注数据自学的结合模式。

就像学做菜，师傅先教你几道招牌菜（少量带标注的数据），让你掌握基本功；再让你尝遍天下美食，自己研究其中的门道（海量无标注数据），最终你不仅能复刻招牌菜，还能创新出新菜式。这种方式能让模型在有限的标注数据下，快速提升通用能力。

（4）语言模型：“超级自动补全系统”

语言模型的核心本质，是一个语言预测器，它的核心任务就是 “根据前文，预测下一个最合理的词”。

我们手机输入法的联想功能，就是一个微型语言模型：输入 “今天天气真”，它会自动提示 “好”“冷”“不错” 等后续词汇。而强大的 LLM，能通过逐词预测，生成一整段通顺的话、一篇完整的文章，甚至是复杂的代码。

基于以上核心概念，我们可以把 LLM 翻译成大白话：

它是用大规模神经网络搭建的、拥有数百亿甚至上万亿参数的超级自动补全系统，通过海量完形填空式的自监督学习，从互联网全量文本中学会了语言的底层规律，最终具备了跨任务的通用能力。

2.2 LLM 的四大核心能力维度

LLM 的能力早已突破了简单的“关键词匹配”，展现出惊人的“通用认知涌现”：

能力维度

核心本质

代表场景

2.3 主流 LLM 与演进脉络

主流大模型代表：

• GPT-5 (OpenAI)：支持 400k 上下文窗口，128k 最大输出 Token，复杂多轮推理与创意写作的标杆。

• DeepSeek R1 (深度求索)：开源高性能推理模型，专注于逻辑推理与数学求解，支持 128k 上下文及多语言（20+ 种）。

• Qwen2.5-72B-Instruct (阿里巴巴)：通义千问开源主力，擅长代码生成、结构化数据（JSON）处理与角色扮演，支持 29 种语言。

• Gemini 2.5 Pro (Google)：多模态融合标杆，原生支持图像、代码、文本混合输入。

技术演进时间线（2017 – 2026）：

2017: Transformer (Attention Is All You Need) 奠定奠基
├── 2018: BERT (双向 Transformer) & GPT-1
├── 2020: GPT-3 (1750亿参数, Few-Shot 突破)
├── 2022: InstructGPT (RLHF 对齐) & ChatGPT 爆发
├── 2023: GPT-4 & CoT (思维链) / ReAct 框架普及
├── 2024: OpenAI o1 (思考模式) & MCP 接口协议 & Agent 生态崛起
└── 2025-2026: DeepSeek R1 / OpenAI o3 / Manus / A2A (Agent间通信)

三、LLM 的四大核心能力，重新定义人机交互

LLM 之所以能引发生产力革命，核心在于它具备了四大跨越性的能力，彻底打破了机器与人类的沟通壁垒。

3.1 语言大师：自然语言理解与创造的革命

LLM 真正实现了对人类语言的深度理解，它不仅能识别字面意思，还能读懂上下文、情感倾向甚至潜台词，完成高质量的语言创作。

• 学生可以让它生成论文引言段落，快速搭建写作框架

• 职场人可以让它撰写礼貌又坚决的投诉邮件、商务函件，稍作修改即可使用

• 创作者可以让它生成故事脚本、诗歌文案，提供无限的创作灵感

3.2 知识巨人：可对话的全互联网知识库

LLM 通过学习海量的公开数据，构建了一个立体的、可对话的知识网络，覆盖了物理、化学、哲学、历史等几乎所有学科领域。

• 你可以问它 “用物理学原理解释为什么猫咪总能四脚着地”，它会从角动量守恒的角度，一步步给你讲清 “猫的正反射” 原理

• 你也可以让它 “对比古希腊哲学和春秋战国百家争鸣的异同”，它能从历史背景、思想内核、发展脉络等维度，给出完整的对比分析

3.3 逻辑与代码巫师：从思维到实现的跨越

LLM 的能力早已突破 “文科” 范畴，进入了需要极致精准的逻辑推理和编程领域。

• 程序员可以用自然语言描述需求，比如 “写一个 Python 函数，自动爬取网页最新标题并保存到 Excel”，模型能瞬间生成可直接运行的代码

• 学生可以把复杂的微分方程、数学题丢给它，它不仅能给出答案，还能一步步展示完整的解题过程，成为一对一的私人家教

3.4 多模态先知：开启 “全感知” AI 时代

主流 LLM 已经打破了纯文本的边界，实现了文本、图像、音频、视频的多模态融合，让 AI 更接近人类的感知方式。

• 上传一张照片，搭配文字描述，就能完成创意修图、3D 建模、场景渲染等工作

• 可以基于父母的照片，生成融合双方特征的婴儿预测图像

• 可以解析技术图纸、PDF 文档、手写笔记，完成信息提取和深度分析

四、 提示词工程（Prompt Engineering）：释放 LLM 潜能的魔法

想要让 LLM 输出高质量的结果，核心在于编写合理有效的提示词（Prompt）。好的提示词能精准限定需求范围，让模型完全理解你的意图，输出效果会有质的提升。

下面是经过工业界验证的五大核心提示词技巧，覆盖了绝大多数开发和应用场景。

编写高效提示词的关键在于：限定范围，明确上下文、角色、任务与约束。

4.1 CO-STAR 结构化框架

由新加坡政府技术局（GovTech）开发的 CO-STAR 框架 是构建高质量提示词的最佳实践：

我们用一个实际案例看优化效果：

• 优化前（模糊低效）：我该怎么吃才能更健康?

• 优化后（清晰有效）：

【Context】你是一个基于科学证据的 AI 营养顾问。免责声明：你提供的建议仅供通用参考，不能替代专业医疗诊断。
【Objective】基于用户的身体数据，提供个性化的每日饮食原则建议。
【Audience】30岁男性，目标减脂增肌，办公室久坐，每周 3 次力量训练。
【Tone】专业、严谨且富有鼓励性。
【Steps】
1. 输出免责声明；
2. 围绕“控制总热量，保证高蛋白”制定核心原则；
3. 分别提供早餐、午餐、晚餐及训练加餐建议；
4. 推荐 2 种健康零食；
5. 严禁推荐任何药物或特定保健品。
【Response】按如下 Markdown 格式输出：
【免责声明】…
【核心原则】…
【分餐建议】…
【健康零食推荐】…

4.2 少样本提示：用示例教会 LLM 你的需求

少样本提示的核心思想，是给模型提供 1-3 个输入 – 输出的示例，让它 “照葫芦画瓢”，精准学习你需要的格式、风格和逻辑，比单纯用文字描述规则高效得多。

适用场景：格式固定、风格独特、逻辑复杂的任务，比如风格仿写、数据提取、复杂格式生成。

实际案例：客户反馈信息提取

• 优化前（零样本提示）：

请分析以下客户反馈，提取产品名称、情感倾向和具体问题。
反馈:"我刚买的耳机，才用了一周左边就没声音了，太让人失望了。"

• 优化后（少样本提示）：

请根据以下示例，分析后续的客户反馈，并提取产品名称、情感倾向和具体问题。
示例1:
反馈:"笔记本的电池续航太差了，完全达不到宣传的10小时，最多就4小时。"
分析:
• 产品名称:笔记本电池
• 情感倾向:负面
• 具体问题:续航远低于宣传

示例2:
反馈:"客服响应很快，非常专业地帮我解决了软件激活问题，点赞!"
分析:
• 产品名称:客服服务
• 情感倾向:正面
• 具体问题:无

现在请分析这个:
• 反馈:"我刚买的耳机，才用了一周左边就没声音了，太让人失望了。"

4.3 思维链提示（CoT）：让模型学会 “思考”

思维链提示（Chain of Thought, CoT），核心是要求模型在给出答案前，先展示完整的推导过程，模仿人类解决问题的思考方式，能大幅提升模型在复杂推理任务上的准确率。

适用场景：数学题、逻辑推理、复杂决策、需要解释过程的任务。

实际案例：

示例1:
Q:"罗杰有五个网球，他又买了两盒网球，每盒有3个网球，请问他现在总共有多少个网球?"
A:"罗杰起初有五个网球，又买了两盒网球，每盒3个，所以，他总共买了 2×3=6 个网球，将起始的数量和购买的数量相加，可以得到他现在总共的网球数量: 5+6=11 ，所以罗杰现在总共有11个网球"

问:"食堂总共有23个苹果，如果他们用掉20个苹果，然后又买了6个苹果，请问现在食堂总共有多少个苹果?"

模型会模仿示例中的思维链，一步步完成计算，大幅降低计算错误的概率。

4.4 零样本思维链：一句魔法短语提升推理准确率

零样本思维链是少样本思维链的简化版，无需编写示例，只需在提示词末尾加上一句 “请一步步进行推理并得出结论”，就能强制模型先完成内部推理，再给出最终答案。

这是成本最低、适用范围最广的推理提升技巧，尤其适合你也不清楚具体推理步骤的场景。比如经典的逻辑题：

一个杂耍者可以杂耍16个球。其中一半的球是高尔夫球，其中一半的高尔夫球是蓝色的。请问总共有多少个蓝色高尔夫球?请一步步进行推理并得出结论。

不加这句提示时，模型很容易直接给出错误答案 “8”；加上之后，模型会先拆解计算步骤，最终得出正确答案 “4”。

4.5 自我批判与迭代：让模型自己优化输出

自我批判与迭代的核心，是将 “生成” 和 “评审” 两个步骤分离，让模型从特定角度对自己的输出进行审查和优化，能显著提升内容的严谨性和质量。

适用场景：代码审查、文案优化、论证强化、安全检查。

实际案例：Python 代码编写与优化

请执行以下两个步骤:
步骤一:编写代码
写一个Python函数 find_max ，用于计算一个数字列表中的最大值。

步骤二:自我审查与优化
现在，请从代码健壮性和可读性的角度，审查你上面编写的代码。
请回答:
1. 如果输入是空列表，函数会怎样?如何改进?
2. 变量命名和代码结构是否清晰?能否让它更易于理解?
3. 请根据你的审查，给出一个优化后的最终版本。

实战提示：在企业级开发中，以上技巧通常会组合使用，比如先用 CO-STAR 框架设定基础结构和角色，在执行步骤中融入思维链指令，对复杂格式补充少样本示例，最后要求模型完成自我审查，能实现最佳的输出效果。

Cursor 官方提示词：提示词

五、 LLM 的原生接入方式与生产落地方案

想要自己开发 AI 应用，就必须通过代码接入 LLM 的原生能力。目前业界主流的原生接入方式有三种：API 远程调用、开源模型本地部署、官方 SDK 接入，下面我们结合代码逐一拆解。

AI 应用接入 LLM 的三种原生方式:
┌───────────────────┬───────────────────────────┬────────────────────────┐
│ 1. API 远程调用 │ 2. 开源模型本地部署 │ 3. 官方 SDK 接入 │
│ (云端 RESTful API)│ (Ollama / vLLM / TGI) │ (Python / Node.js SDK) │
└───────────────────┴───────────────────────────┴────────────────────────┘

5.1 API 远程调用：最主流便捷的接入方式

API 远程调用是目前最主流的接入方式，通过 HTTP 请求直接调用模型厂商部署在云端的模型服务，无需管理任何硬件资源，适合快速开发、应用集成场景。

核心流程

实战代码：curl 调用 OpenAI API

# OpenAI 对话API调用示例
curl "https://api.openai.com/v1/responses" \\
# 设置请求体格式为JSON
-H "Content-Type: application/json" \\
# 携带API Key完成身份认证，$OPENAI_API_KEY为环境变量存储的密钥
-H "Authorization: Bearer $OPENAI_API_KEY" \\
# 请求体：指定模型和用户输入
-d '{
"model": "gpt-5",
"input": "Write a one-sentence bedtime story about a unicorn."
}'

响应结果核心字段解析

API 会返回 JSON 格式的响应，核心字段如下：

{
"id": "resp_xxxxxx", // 本次请求的唯一ID，用于问题排查
"status": "completed", // 请求状态：completed成功/incomplete失败
"model": "gpt-4o-mini-2024-07-18", // 实际响应的模型
"output": [
{
"type": "message",
"role": "assistant", // 角色：assistant模型输出/user用户输入
"content": [
{
"type": "output_text",
"text": "你好!我是一个人工智能助手…" // 模型生成的核心文本
}
]
}
],
"usage": {
"input_tokens": 11, // 输入提示词消耗的token数
"output_tokens": 27, // 输出内容消耗的token数
"total_tokens": 38 // 本次请求总消耗token数，用于计费
}
}

5.2 SDK 接入：API 调用的封装与简化

SDK 接入并非独立的接入方式，而是对原生 API 调用的封装和简化。模型厂商会

发布对应编程语言的官方 SDK，封装底层 HTTP 请求细节，提供更符合编程习惯的函数库，让代码更简洁、易读、易维护。

实战代码：OpenAI Python SDK 接入

第一步：安装 SDK

pip install openai

第二步：核心代码与逐行解析

# 1. 导入OpenAI SDK的核心客户端类
from openai import OpenAI

# 2. 初始化客户端，传入API Key完成身份认证
client = OpenAI(api_key="your-api-key")

# 3. 调用模型接口，发起生成请求
response = client.responses.create(
model="gpt-5", # 指定要调用的模型名称
input="介绍一下你自己。" # 用户输入的提示词内容
)

# 4. 提取并打印模型生成的文本
print(response.output_text)

相比原生 HTTP 请求，SDK 已经帮我们完成了请求头封装、JSON 序列化、响应解析等工作，开发者只需关注核心业务逻辑，大幅降低开发成本。

5.3 开源模型本地部署：私有化 LLM 能力的最佳方案

本地部署，就是将开源大语言模型（如 DeepSeek-R1、Llama、Qwen 等）部署在自己的硬件环境中，完全掌控模型能力，适合数据敏感、有私有化合规要求的场景。

我们以业界最易用的本地部署工具 Ollama 为例，完成完整的部署和接入实战。

步骤 1：下载安装 Ollama

Ollama 是一款专为本地 LLM 部署设计的开源工具，一键支持 macOS、Linux、Windows 系统，无需复杂的环境配置。

• 官网下载：https://ollama.ai

• 安装完成后，打开终端输入以下命令验证安装：

ollama –version
# 输出示例：ollama version is 0.9.3，即安装成功

步骤 2：模型拉取与配置

Ollama 支持修改模型存储路径，避免默认占用 C 盘空间，有两种配置方式：

配置完成后，重启 Ollama 即可生效，使用以下命令拉取模型：

# 拉取DeepSeek-R1 1.5B版本，适合入门级设备
ollama run deepseek-r1:1.5b

模型选型说明：模型名称中的b是Billion（十亿）的缩写，代表参数量级。参数量越大，模型能力越强，硬件要求越高：

• 1.5B/7B 版本：适合普通 PC，8GB 内存即可流畅运行

• 14B/32B 版本：需要 16GB + 显存的 GPU

• 70B/671B 版本：需要专业级服务器 GPU

步骤 3：命令行交互测试

模型拉取完成后，终端会自动进入对话界面，可直接输入内容与模型交互：

>>> 你好
你好!很高兴见到你，有什么我可以帮忙的吗?
>>> 你是谁
您好!我是由中国的深度求索(DeepSeek)公司开发的智能助手DeepSeek-R1。如您有任何问题，我会尽我所能为您提供帮助。

步骤 4：本地 API 接口调用

Ollama 启动后，会默认开启本地 API 服务，地址为http://127\\.0\\.0\\.1:11434，可通过 HTTP 请求调用，与云端 API 使用方式完全一致。

实战代码：curl 调用本地模型 API

# Ollama 本地对话API调用
curl "http://127.0.0.1:11434/api/chat" \\
-d '{
"model": "deepseek-r1:1.5b", # 本地已拉取的模型名称
"messages": [
{"role": "user", "content": "夸夸我"} # 对话上下文
],
"stream": false # 关闭流式输出，一次性返回结果
}'

5.4 原生接入的瓶颈与 LangChain 的诞生

虽然原生接入很直接，但在构建企业级应用时存在四大痛点：

而LangChain 框架，正是为了系统性解决这些问题而诞生的，它就像一座坚固的桥梁，让开发者无需淌水过河，就能轻松将 LLM 能力落地到实际应用中。

六、 语义世界的桥梁：嵌入模型（Embedding Model）与向量化

计算机无法直接“理解”文字或图片的语义，但极其擅长计算数字。Embedding 的核心思想是将人类的符号（词汇、句子、文档、图片）映射到一个高维连续向量空间，使得语义相似的内容在向量空间中的距离（如余弦相似度）尽可能贴近。

6.1 嵌入模型的本质：把人类语言翻译成计算机的数学语言

嵌入模型（Embedding Model）和 LLM 有本质区别：

• LLM 是生成式模型，核心目标是理解输入并生成新的文本

• 嵌入模型是表示型模型，核心目标是为输入的文本创建富含语义的数值表示（高维向量）

嵌入的核心思想，是将人类语言的符号（单词、句子、段落），转换为计算机能够理解的数值向量，并且这种转换能完整保留原始文本的语义和关系。

通俗来说，嵌入模型就是一个 “翻译官”，把人类语言翻译成计算机的 “数学语言”。翻译完成后，我们就能用数学方法度量文本之间的语义相似度，业界最常用的是余弦相似度：

• 在向量空间中，向量的方向代表语义含义，向量的长度代表文本长度

• 余弦相似度只关注向量方向的差异，不受文本长度影响，完美适配语义匹配场景

• 两个向量的余弦相似度越高，代表它们的语义越接近

┌─────────────────────────────────────────────────────────────────┐
│ 嵌入模型 (Embedding) 核心应用 │
├───────────────┬─────────────────┬────────────────┬──────────────┤
│ 1. 语义搜索 │ 2. 检索增强生成 │ 3. 智能推荐 │ 4. 异常检测 │
│ (Semantic) │ (RAG) │ (Recommender) │ (Anomaly) │
└───────────────┴─────────────────┴────────────────┴──────────────┘

6.3 嵌入模型的四大核心应用场景

（1）语义搜索

传统搜索依赖关键词精确匹配，搜 “苹果” 只能找到包含 “苹果” 这个词的文档；而语义搜索通过向量相似度匹配，即使文档中没有精确关键词，只要语义相关就能被检索到。

比如用户搜 “电池电量不增加”，语义搜索能精准找到 “如何解决笔记本电脑无法充电的问题” 的相关文档，这是传统搜索无法实现的。

（2）检索增强生成（RAG）

这是当前 LLM 企业级应用的核心模式，也是解决 LLM 私有知识缺失、幻觉问题的最佳方案。 核心流程：当用户向 LLM 提问时，系统首先用嵌入模型在私有知识库中做语义搜索，找到最相关的内容，再把这些内容和用户问题一起交给 LLM，让模型基于精准的私有知识生成答案，而非仅凭训练数据泛泛而谈。

比如企业内部客服机器人，员工问 “今年新增的带薪育儿假政策是怎样的？”，系统会先从人事制度文档中检索到相关条款，再交给 LLM 生成精准回答，完全避免过时信息和幻觉。

（3）推荐系统

将用户的历史行为、偏好，和商品、内容的特征都转换为向量，喜欢相似物品的用户，向量会高度接近；相似的物品，向量也会聚集。通过计算用户和物品的向量相似度，就能实现精准的个性化推荐。

（4）异常检测

正常业务数据的向量会在空间中形成固定的聚集区，当一个新数据的向量远离这个聚集区时，就大概率是异常点。这个能力被广泛应用于垃圾邮件识别、信用卡交易反欺诈、工业设备故障预警等场景。

6.4 嵌入模型接入实战

主流嵌入模型

实战代码：OpenAI 嵌入模型 Python SDK 接入

第一步：安装 SDK（已安装可跳过）

pip install openai

第二步：核心代码与逐行解析

# 1. 导入OpenAI SDK客户端类
from openai import OpenAI

# 2. 初始化客户端，传入API Key完成身份认证
client = OpenAI(api_key="your-api-key")

# 3. 准备需要向量化的输入文本
text = "这是一段需要转换为向量的文本。"

# 4. 调用嵌入模型API，生成语义向量
response = client.embeddings.create(
model="text-embedding-3-large", # 指定使用的嵌入模型
input=text, # 待向量化的输入文本
dimensions=1024 # 可选：自定义输出向量维度，可从3072维降到1024维
)

# 5. 从响应结果中提取嵌入向量
embedding = response.data[0].embedding

# 6. 打印向量维度和内容
print(f"向量维度:{len(embedding)}")
print(embedding)

代码运行后，会输出 1024 维的浮点数向量，这个向量就完整保留了输入文本的语义信息，可直接用于语义检索、聚类、RAG 等场景。

• 像我们之前的LLM还有API接入和本地接入，这个也有

七、LangChain：连接 LLM 与业务应用的核心桥梁

回到最开始的比喻：直接调用原生 LLM 接口，就像淌水过河，会遇到上下文限制、私有知识缺失、复杂任务拆解难等各种问题；而 LangChain，就是为我们搭建的一座坚固、全面的桥梁。

LangChain 是一个开源的大语言模型应用开发框架，它封装了 LLM 接入、嵌入模型、向量数据库、任务拆解、工具调用、Agent 编排等全链路能力，系统性解决了原生 LLM 的所有核心局限。

它的核心价值体现在：

结语

从基础的数学函数 f(x) 到具备涌现能力的 LLM，再到将万物数值化的 Embedding 向量，大模型技术正在彻底重构软件开发的范式。

作为开发者，理解 Prompt 工程能帮助我们更好地“指挥”AI，而掌握本地部署、API 接入及 Embedding 机制，则是我们通往 AI Agent 与 RAG 系统开发的必经之路。