LangChain 整体总结：AI Agent 第一阶段学习完成
LangChain 部分学完了，我们来整体总结一下。
实战练习 LCEL 组装 chain
我们学了 LangChain 的各种功能：tool、MCP、RAG、memory、prompt template、output parser 等，并且学了 LCEL 的写法，把流程组装成 chain 来调用。LCEL 就是基于 Runnable 的 API 来声明 chain，然后统一执行。声明的 chain 可以用 invoke、batch、stream 等 API 来同步调用、批量调用、流式返回——因为所有 Runnable 都实现了这些方法。
Runnable：把写逻辑变成组装 chain
LangChain 很多 API 都实现了 Runnable 接口，比如 PromptTemplate、OutputParser、ChatOpenAI 等。而且 Runnable 相关的 API 也有很多。
Prompt Template：组件化管理 prompt
prompt 毫无疑问是 AI Agent 中最核心的部分：我们调用大模型完成各种功能，都是在 prompt 里描述的；类似 RAG 查询向量数据库，查到的文档也是放在 prompt 里给到大模型。
Output Parser 实战：智能录入 + 流式版 mini cursor
前面学了输出控制：用 model.withStructuredOutput 来控制输出的结构，它底层会根据模型来决定用 tool 或者 output parser，确保输出一定是符合格式要求的。一般用 withStructuredOutput 就可以了，但当流式返回内容的时候，如果要实现打字机效果，就要直接用 output parser 了，比如 tool 参数的流式打印。
结构化大模型输出：output parser 还是 tool
我们已经调用大模型完成过很多功能了，但输出一直没做控制，都是自然语言的形式。而很多情况下，我们希望大模型按照我们的格式要求，返回一个 JSON——这就需要用到 output parser 的 API 了。
Memory 管理的三大策略：截断、总结、检索
我们给大模型扩展了 Tool，让它可以做一些事情而不只是回答问题；给大模型扩展了 RAG，基于 query 获取向量数据库里相关的知识放入 prompt。但这些其实都依赖一个东西：Memory。
Milvus + RAG 实战：电子书语义检索助手
我们学了 loader、splitter、向量数据库 Milvus，这样 RAG 流程就完整跑通了：
向量数据库 Milvus：做 AI Agent 开发必备技术
前面我们实现了 RAG：文档向量化放到向量数据库，每次查询根据向量化的 query 去数据库做相似度匹配，查出相关文档放到 prompt 里给大模型，大模型来生成回答。
LangChain 全部 Splitter，其实只需要其中的一个
上节我们学了 loader 和 splitter：知识可能有各种来源，比如一个视频、一个 pdf、一个网页、一个 word 文档，这时候就需要通过各种 loader 从中提取信息，把它们转换成 Document。但是 Document 可能会很大，需要用 Splitter 分割成一个个比较小的 Document（chunk），之后用嵌入模型，把分块的文档向量化后存入向量数据库。