系列文章目录

提示：这里是系列文章的专栏
并不喜欢吃鱼的C++专栏

---

提示：以下是文章目录哦!

系列文章目录

前言

一.先搞懂现在最火的 Vibe Coding——AI 辅助编程到底是什么？

1.1 Vibe Coding 是什么？起源 & 工作流程

1.2 Vibe Coding 三大优势（小白直观感受）

1.3 重点：Vibe Coding 致命局限性（为什么不能只靠 AI 写代码）

1.4 Vibe Coding 正确定位（总结）

二.AI 开发框架是什么？LangChain 为什么是行业标配？

2.1 框架的底层逻辑：和 Spring、libcurl 是一个道理

所有框架通用两大核心设计：抽象封装、模块化组装

1.传统框架类比：

2.框架的四大价值：

2.2 不用框架直接调用 LLM，会遇到哪些无解难题？（医疗助手案例）

2.3 LangChain 登场：一次性解决上面所有问题

2.3.1 LangChain 核心定义

2.4 主流 LLM 开发框架生态对比（按需选择）

三.LangChain 不够用？复杂 AI 代理必须学 LangGraph

3.1 LangChain 链式架构的先天短板（为什么需要 LangGraph）

3.2 LangGraph 是什么？核心定位

核心概念通俗解释

3.3 LangGraph 极简可运行代码示例：带循环信息收集客服机器人

安装依赖

3.4 LangChain vs LangGraph 怎么选？

四.AI 时代程序员的正确学习路线

4.1 三者学习顺序（循序渐进）

---

前言

提示：本文要记录的大概内容：

1. 当下现状：现在人人都在用 Cursor、Claude Coding 一键生成代码，也就是网上爆火的Vibe Coding（氛围编程），很多小白产生疑问：AI 都能写代码了，我们还有必要学开发框架吗？
2. 抛出核心观点：AI 只能做重复、样板代码，企业级复杂 AI 应用、RAG 知识库、自动 AI 代理，必须靠 LangChain/LangGraph 框架；只会 Vibe Coding 会踩大量安全、架构坑，框架思维才是不可替代的核心能力。
3. 本文承诺：全程零基础友好，不讲晦涩理论，附带可直接复制运行的 Python 代码，看完能分清三者定位，上手写第一个 AI 小程序。

---

提示：以下是本篇文章正文内容

一.先搞懂现在最火的 Vibe Coding——AI 辅助编程到底是什么？

1.1 Vibe Coding 是什么？起源 & 工作流程

• 起源：2025 年 2 月由 OpenAI 联合创始人 Andrej Karpathy 提出；
• 核心定义：用自然语言描述需求交给大模型生成代码，开发者只做测试、反馈迭代，不用手写底层重复代码；
• 标准工作流：自然语言描述需求 → AI 生成完整代码 → 开发者测试运行 → 反馈 bug / 优化点 → AI 迭代修改；
• 核心特征：开发者可以不完全吃透底层代码，但必须审查、校验每一段输出。

1.2 Vibe Coding 三大优势（小白直观感受）

1. 开发效率暴涨：原型开发速度提升 75%，几天工作量几小时完成；
2. 零门槛上手：不会编程的人，靠自然语言一小时做出可用工具；
3. 解放创意：不用纠结循环、变量命名，专注产品思路、架构设计。

1.3 重点：Vibe Coding 致命局限性（为什么不能只靠 AI 写代码）

这是全文核心转折点，解释为什么我们还要学 LangChain 框架

1. 代码质量黑箱：AI 只保证 “能运行”，不考虑可维护、可扩展、优雅架构；
2. 记忆 & 知识缺陷：
   • 上下文窗口有限，大型项目会遗忘前期逻辑，代码冲突；
   • 训练数据有时间截止，会虚构不存在的 API、库（AI 幻觉）；
3. 企业级安全隐患（最致命）：自动生成带 SQL 注入、硬编码密码、XSS 漏洞的代码，金融 / 医疗系统绝对不能直接上线；
4. 高并发可靠性差：小数据正常，大数据、高并发场景容易崩溃，缺少日志、熔断、异常处理。

1.4 Vibe Coding 正确定位（总结）

1. 不是程序员替代品，是效率工具；
2. 适合：写 Demo、单元测试、修改变量、简单工具、样板代码；
3. 不适合：系统架构设计、企业级核心业务、安全敏感系统；
4. 补充：Karpathy 后期修正观点，单一 AI 工具无法解决全部开发问题，需要框架、工具分工协作。

---

二.AI 开发框架是什么？LangChain 为什么是行业标配？

2.1 框架的底层逻辑：和 Spring、libcurl 是一个道理

所有框架通用两大核心设计：抽象封装、模块化组装

1.传统框架类比：

        1.Spring：封装 Java Web 复杂逻辑，不用手动写 Servlet；

        Java Web:用 Java 语言做网页网站、后台服务的整套技术统称,我们平时访问的网站、小程序 / APP 后端接口，只要是 Java 写的后台，都叫 Java Web 项目。 举例子：淘宝、企业管理系统、校园教务系统，后端很多都是 Java Web 开发

        Servlet:Server + Applet，直译：运行在服务器上的小程序 它是 Java 官方规定、用来处理浏览器请求的基础接口，是 Java Web 最底层原生工具。

       

        ① Java EE

        Java EE = Java 企业版，就是早年用 Java 做网站、后台服务的一套官方标准，里面包含 Servlet、MVC、数据库工具等一堆组件，就是图里写的复杂 Java EE 组件。

        ② MVC

        一种代码分层设计思想：

• M：数据模型（数据库数据）
• V：页面视图（前端网页）
• C：控制器（接收浏览器请求，就是前面讲的 Servlet） 早年原生 Java EE 写 MVC，组件之间互相纠缠。

        ③ 中间一团乱麻：依赖注入（DI）

        先讲依赖：你的 A 类要用 B 类，A 就依赖 B。 没 Spring 之前，你要手动 new 对象：

        项目大了，几百个类互相 new、互相调用，代码耦合死死缠在一起，就是图里这团乱线： 改一个类，一堆关联代码全要改，维护、测试巨麻烦。 这堆乱线就代表：原生 Java EE 组件之间依赖关系错综复杂、高度耦合。

        ④ Spring 方框 + 箭头

        箭头意思：Spring 把这一团乱糟糟的耦合问题全部解决、统一收纳管理

        2.libcurl：封装网络请求，不用底层 Socket；

        ①Socket：操作系统提供的、程序和网络通信的最底层接口，相当于电脑联网的 “网线接口”

        如果你不使用 libcurl，自己写代码访问网页、传文件、发邮件，就要手写一大段底层代码：

                1.手动建立 TCP 网络连接

                2.手动拼接 HTTP 请求报文（请求头、参数、换行格式全要自己拼）

                3.手动处理超时、重连、编码、代理、证书……

                4.图里散乱黑块，就是形容：原生网络底层代码零散、繁琐、写起来杂乱，每种网络协议都要重复写一套底层逻辑。

        右侧三种协议（libcurl 对外提供的能力）

        libcurl 封装完底层后，给开发者提供统一简单的接口，支持多种网络协议：

1. HTTP（橙色圆形）：浏览网页、调用后端接口最常用的协议（我们平时打开网站、小程序请求后台都用它）
2. FTP（绿色三角）：文件传输协议，用来上传 / 下载服务器文件
3. SMTP（紫色方块）：邮件发送协议，程序自动发邮件靠它

        除此之外 libcurl 还支持 HTTPS、SFTP、WebSocket 等几十种网络协议，图里只举了 3 个典型例子

        3.LangChain：封装所有大模型、向量库、工具调用的底层 API，统一接口

左边：所有能接入 LangChain 的底层组件（输入侧）

分成 4 大类，全是做 AI 应用要用到的零散工具：

1. LLM 大语言模型（AI 大脑）

• OpenAI：ChatGPT 系列模型
• Anthropic：Claude 系列大模型
• 还有其他开源 LLM（图里立方体图标） 作用：负责生成文字、理解对话，是 AI 的 “大脑”。 如果不用 LangChain，每种模型都要写一套完全不同的对接代码，非常麻烦。

2. 向量数据库（Chroma / Pinecone）

        图标是数据库样式，叫向量库。 用途：存放你自己的私有文档（PDF、笔记、知识库），实现本地知识库问答（RAG 检索增强）。 比如上传公司手册，AI 回答时先查这份文档，不会瞎编。

3. Tools 工具集（扳手图标）

        给 AI 赋予联网、查数据、调用软件的能力： 联网搜索、计算器、读取文件、调用第三方接口、爬虫等都属于 Tools。 让 AI 不只聊天，还能干活。

中间：LangChain 核心封装层（塑料袋包裹的盒子）

它的核心作用：

1. 统一兼容：不管你用 OpenAI、Claude、本地开源大模型，还是 Chroma/Pinecone 向量库、各类工具，全部用同一套代码写法接入；
2. 屏蔽底层差异：不用记每个 AI 厂商、向量库独特的 API、请求格式、鉴权逻辑，LangChain 内部帮你适配；
3. 提供流水线能力：内置对话记忆、文档分割、检索、提示词模板、Agent 智能体等现成功能，不用自己从零写复杂 AI 逻辑。

右边：对外输出统一 API（使用侧）

        LangChain 封装完内部所有组件后，向外暴露一套标准化 API 接口。 开发者 / 业务系统只需要调用这套统一接口，就能搭建完整 AI 应用： 智能客服、知识库问答、AI 自动工作流、智能 Agent 机器人等。

2.框架的四大价值：

        规范架构、把控代码质量、规避安全风险、快速集成各类 AI 组件。

2.2 不用框架直接调用 LLM，会遇到哪些无解难题？（医疗助手案例）

用医疗咨询助手 6 大痛点举例：

        1.模型幻觉：用户误食纽扣电池，AI 给出错误急救方案；

        2.提示词无统一规范，多人开发输出效果混乱；

        3.切换模型成本极高：从 GPT3.5 换到 Llama3 需要重写全部代码；

        4.输出纯文本，无法结构化对接前端页面；

        5.模型知识老旧，无法读取最新实时资料；

        6.不会自动调用外部数据库 / 工具（药物查询 API）。

2.3 LangChain 登场：一次性解决上面所有问题

2.3.1 LangChain 核心定义

        专门构建 LLM 应用的开发框架，把 AI 开发拆成标准化组件，像乐高积木自由拼接，用链式流程串联多步任务。

1. 统一模型接口：一套代码切换 GPT、Claude、本地开源大模型；
2. Prompt 提示词模板：统一规范提示词，批量管理；
3. Chain 任务链：串联 “检索知识库→调用大模型→格式化输出” 完整流程；
4. Memory 记忆：保存多轮对话上下文；
5. RAG 检索模块：对接向量数据库，解决模型知识过时、幻觉；
6. OutputParser 输出解析：强制模型输出 JSON 结构化数据；
7. Agent 智能体：让 AI 自动调用外部工具（计算器、数据库、搜索引擎）。

2.4 主流 LLM 开发框架生态对比（按需选择）

三.LangChain 不够用？复杂 AI 代理必须学 LangGraph

3.1 LangChain 链式架构的先天短板（为什么需要 LangGraph）

        线性 Chain 只能一步接一步执行，遇到以下场景完全无力：

        举个例子，假设我们要构建一个 AI 代理，来自动处理用户提交的客服工单（例如：退货请求、产品咨询、投诉等）。一个理想的流程是：

1. 循环逻辑：收集用户信息不全，自动回头重新询问；
2. 条件分支：用户咨询 / 退货 / 投诉走完全不同流程；
3. 长会话状态保存：多轮对话、跨天聊天记忆；
4. 人工介入：AI 解决不了自动转交人工客服，处理完继续流程；
5. 故障恢复：长时间运行任务中断后，从断点继续执行。

3.2 LangGraph 是什么？核心定位

        LangChain 团队 2024 年推出，图式状态编排框架，不是替代 LangChain，是补充扩展；底层复用 LangChain 所有组件，专门解决复杂 AI 代理、多分支循环工作流。

核心概念通俗解释

• 节点 Node：每一步操作（意图分类、收集信息、调用工具）；
• 边 Edge：节点之间流转路线；
• 条件边：根据状态判断走哪条分支；
• State 全局状态：全程保存对话、业务数据、标记，自动传递
• 

3.3 LangGraph 极简可运行代码示例：带循环信息收集客服机器人

安装依赖

1. 最简单比喻

你要做一碗番茄鸡蛋面：

• 你的代码 = 一碗面（你自己写的程序）
• 番茄、鸡蛋、面条、盐、锅 = 依赖 没有这些材料，你光靠自己，做不出这碗面； 写程序同理：很多功能你不想从零手写，就要借用别人写好的工具包，这些工具包就叫依赖。

2. 结合你之前三张图对应理解

① Spring

你写 Java 网站，不想手写 Servlet、处理复杂对象依赖，就要导入 spring-web 这个依赖。 不装这个依赖，你代码里写 @Controller 会直接报错，程序跑不起来。

② libcurl

C/C++ 程序想发 HTTP 请求，不想手写 Socket 底层代码，就要安装 libcurl 依赖库。

③ LangChain

你想用代码对接 ChatGPT、做知识库 AI，必须安装 langchain 依赖包； 不装的话，你写 from langchain 直接爆红，找不到这个工具。

3. 专业定义

依赖（Dependency）： 别人提前封装好、发布出来的代码工具库，你的项目需要调用它的功能才能正常运行，这个工具就是你的项目依赖。

from dotenv import load_dotenv
import os
from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

load_dotenv()
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key=os.getenv("OPENAI_API_KEY"))

# 1.定义全局状态：存储对话、收集的订单信息
class CustomerState(TypedDict):
    user_input: str
    order_id: str
    msg_history: list

# 2.节点1：检查是否收集到订单号，缺失则询问用户
def check_order(state: CustomerState):
    if not state.get("order_id"):
        return {"user_input": "请提供你的订单编号，我才能处理退货申请"}
    return state

# 3.节点2：处理退货业务
def handle_return(state: CustomerState):
    res = llm.invoke(f"用户订单{state['order_id']}申请退货，生成退货指引")
    return {"user_input": res.content}

# 4.构建图工作流
graph = StateGraph(CustomerState)
# 添加节点
graph.add_node("check_info", check_order)
graph.add_node("deal_return", handle_return)
# 设置入口
graph.set_entry_point("check_info")
# 条件分支：有订单号走处理流程，无订单号直接结束等待用户输入
def route(state: CustomerState):
    if state.get("order_id"):
        return "deal_return"
    return END

graph.add_conditional_edges("check_info", route)
graph.add_edge("deal_return", END)

# 编译运行图
workflow = graph.compile()
# 第一次用户只发了退货，没给订单号，触发循环询问
result = workflow.invoke({"user_input": "我要退货", "order_id": ""})
print(result["user_input"])

1. LangChain 线性链无法实现 “缺信息重新询问” 的循环逻辑，LangGraph 通过 State 状态 + 条件边轻松实现；
2. 所有节点共享全局状态，对话、订单数据全程保存，不用自己写数据库存上下文；
3. 复杂多智能体、自动工具调用、人工介入系统都基于这套图结构开发。

3.4 LangChain vs LangGraph 怎么选？

1. 简单线性任务（单次问答、简单 RAG）→ LangChain 足够；
2. 需要循环、分支、多轮状态、人工介入、复杂 AI 代理 → LangGraph；
3. 两者互补：LangGraph 节点内可以直接调用 LangChain 的 Chain。

四.AI 时代程序员的正确学习路线

4.1 三者学习顺序（循序渐进）

1. 先吃透 Vibe Coding：熟练使用 AI 辅助写基础代码，掌握提示词技巧；
2. 再系统学习 LangChain：掌握组件、RAG、Chain，能独立开发知识库问答机器人；
3. 进阶 LangGraph：实现复杂 AI 代理、多分支业务工作流；
4. 持续补充：系统架构、代码安全、大模型微调、向量数据库。