1.LangChain 是什么

LangChain 是 LLM 应用开发领域最早期、最广泛使用的框架之一，定位为通用 LLM 应用框架。它提供了丰富的组件来简化与大语言模型的交互：

• Prompt 管理：模板化提示词构建与复用
• Chain（链）：将多个步骤（LLM 调用、工具调用、记忆等）串联成管道
• Agent 抽象：让 LLM 决定是否调用工具
• Tool（工具）：标准化的外部能力扩展接口
• Memory（记忆）：对话历史的存储与检索
• RAG 支持：检索增强生成的完整实现

1 理论体系背景

1.1 问题域

问题：有了LLMs，为什么需要开发大模型应用？

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能“使用”这些模型，还希望能将它们灵活集成到自己的应用中，实现更强大的对话能力、检索增强生成 （RAG）、工具调用（Tool Calling）、多轮推理等功能。

最近在训练一个图像篡改检测网络时，为了提升模型的鲁棒性，我对数据集进行了随机 JPEG 压缩作为预处理手段。本以为这只是一个常规的数据增强操作，没想到却引发了一场艰难的 Debug 之旅——模型训练过程中 Loss 突然变成了 NaN。

经过一系列常规排查无果后，最终锁定了混合精度训练与数据分布之间的问题。在此记录下排查思路和解决方法。

训练设置：我使用MMSeg框架的自动混合精度AmpOptimWrapper。

1.代理模式：

代理模式通过引入一个代理对象来控制对原对象的访问。代理对象在客户端和目标对象之间充当中介，负责将客户端的请求转发给目标对象，同时可以在转发请求前后进行额外的处理。

使用场景：

• 当需要在访问一个对象时进行一些控制或额外处理时。

1 理论体系背景

1.1 问题域

​ 某些场景下，我们在直接访问对象时可能遇到问题，例如，当需要访问的对象位于远程机器上时，或者某些对象的创建开销很大，又或者某些操作需要安全控制，直接访问这些对象可能会给使用者或系统结构带来诸多不便。代理模式能够处理远程访问、创建开销高、访问安全控制等问题，实现灵活的系统结构。