【Langchain优缺点】打算使用Langchain框架的同学务必仔细阅读

        众所周知，人工智能和 LLM 是瞬息万变的领域，每周都会有新的概念和想法出现。而 LangChain 这样围绕多种新兴技术创建的抽象概念，其框架设计很难经得起时间考验。

直到看到了下面这个Blog的解释中的这句话：

It uses abstractions on top of abstractions and actually makes your codeneedlessly complicated

Langchain是抽象之上再抽象

在实际应用中随着需求越来越复杂，使用Langchain会遇到下面的场景：

 那么问题来了，抽象到底好不好呢？答案是肯定的，用好抽象肯定是好，如果抽象的比较过，对于对于调用使用者来说可能就比较抽象难以理解。

       请看下面的具体示例分析：

LangChain 为什么如此抽象

起初，当我们的简单需求与 LangChain 的使用假设相吻合时，LangChain 还能帮上忙。但它的高级抽象很快就让我们的代码变得更加难以理解，维护过程也令人沮丧。当团队用在理解和调试 LangChain 的时间和用在构建功能上的时间一样时，这可不是一个好兆头。

LangChain 的抽象方法所存在的问题，可以通过「将一个英语单词翻译成意大利语」这一微不足道的示例来说明。

下面是一个仅使用 OpenAI 软件包的 Python 示例：