01_AI应用开发入门 - 从Web开发到AI开发的思维转变

发表于 2025-06-18 更新于 2025-10-28 分类于 rd ， python Changyan：本文字数： 1.9k 阅读时长 ≈ 7 分钟

本课程帮助Python Web开发者理解AI应用开发的思维方式。通过对比传统Web开发和AI开发的差异，用通俗易懂的类比解释LangChain的作用和价值。学完本课，你将建立起AI应用开发的基本认知，理解为什么需要LangChain，以及如何用新的思维方式来构建AI应用。

🎯 学习目标

理解AI应用和传统Web应用的区别
了解LangChain是什么，为什么需要它
建立AI应用开发的基本思维模型

📖 核心概念

1. AI应用 vs Web应用：一个类比

传统Web开发（你熟悉的）

想象你在开发一个餐厅点餐系统：

1
2
3

用户输入 → 路由判断 → 业务逻辑处理 → 数据库操作 → 返回结果
例如：
"查询菜单" → /api/menu → 查询数据库 → 返回JSON → 展示菜单

特点：

✅ 逻辑确定：你写什么代码，就执行什么
✅ 结果可控：同样的输入，总是得到同样的输出
✅ 流程固定：if-else、循环、函数调用
✅ 数据结构化：数据库、JSON、明确的字段

AI应用开发（新的世界）

现在想象你雇了一个聪明的服务员（AI）：

1
2
3

用户输入 → AI理解意图 → AI思考 → AI生成回答 → 返回结果
例如：
"我想吃点辣的" → AI理解 → AI推荐 → "建议您试试麻婆豆腐"

特点：

🤔 逻辑不确定：AI会”思考”，每次回答可能不同
🎲 结果概率性：同样的问题，可能得到不同答案
🧠 需要引导：通过提示词（Prompt）引导AI
💬 处理非结构化数据：自然语言、图片、文本

2. 为什么需要LangChain？

问题1：直接调用AI模型很麻烦

不用LangChain（原始方式）：

import requests

# 需要自己构造请求
response = requests.post(
    "https://api.example.com/chat",
    headers={"Authorization": "Bearer xxx"},
    json={
        "model": "qwen-plus",
        "messages": [
            {"role": "system", "content": "你是一个助手"},
            {"role": "user", "content": "你好"}
        ]
    }
)
# 需要自己解析响应
result = response.json()["choices"][0]["message"]["content"]

用LangChain（简化方式）：

from langchain_openai import ChatOpenAI

# 简单配置
llm = ChatOpenAI(
    base_url="https://api.example.com",
    api_key="xxx",
    model="qwen-plus"
)

# 直接调用
result = llm.invoke("你好")

问题2：复杂应用需要多个步骤

假设你要做一个”智能文章写手”：

传统思路（Web开发）：

# 步骤1: 生成标题
title = generate_title(topic)

# 步骤2: 生成大纲
outline = generate_outline(title)

# 步骤3: 根据大纲生成内容
content = generate_content(outline)

# 步骤4: 润色
final = polish(content)

每一步都要自己调用API、处理响应、传递数据，很繁琐。

LangChain思路：

from langchain.chains import SequentialChain

# 定义链，LangChain自动处理数据流转
chain = title_chain | outline_chain | content_chain | polish_chain

# 一行调用
result = chain.invoke({"topic": "人工智能"})

问题3：需要给AI添加”能力”

AI默认只能”说话”，不能：

❌ 查询数据库
❌ 调用API
❌ 搜索网页
❌ 读取文件

LangChain提供了工具（Tools）和Agent，让AI可以：

✅ 自己决定是否需要查询数据
✅ 自己调用工具获取信息
✅ 组合多个工具完成复杂任务

3. LangChain的核心思想：乐高积木

把LangChain想象成乐高积木系统：

基础积木（组件）：
├── 模型（LLM）        → AI的大脑
├── 提示词（Prompt）    → 和AI沟通的方式
├── 输出解析器         → 格式化AI的回答
├── 工具（Tools）      → AI的能力扩展
└── 记忆（Memory）     → AI的记忆系统

高级组合：
├── 链（Chain）        → 把积木串联起来
├── Agent             → 让AI自己决定用哪些积木
└── RAG              → 给AI外接知识库

核心优势：

标准化：统一的接口调用不同模型
组件化：可重用、可组合
简化开发：不需要关心底层细节
生态丰富：大量现成的工具和集成

🌰 通俗类比

类比1：AI应用 = 雇佣助手

传统Web开发：

你是老板，写了详细的操作手册（代码）
员工（程序）严格按手册执行
结果完全可预测

AI应用开发：

你雇了一个聪明的助手（AI）
你给他任务说明（提示词）
他自己理解并完成，可能用不同方法
LangChain就是助手的工作流管理系统

类比2：LangChain = 智能家居系统

不用LangChain：

每个设备（模型、工具）都要单独控制
需要记住每个设备的遥控器怎么用
组合使用很麻烦

用LangChain：

统一的控制面板
一键场景模式（链）
自动化流程（Agent）

🔄 思维转变对照表

方面	Web开发思维	AI应用开发思维
输入	结构化参数	自然语言描述
处理	确定的逻辑	AI理解和生成
输出	精确的结果	概率性的答案
调试	看日志、断点	调整提示词、观察输出
优化	优化算法、SQL	优化提示词、选择模型
测试	单元测试、固定结果	评估质量、多样本测试
错误处理	try-catch	提示词引导、输出验证

💡 实际应用场景

场景1：智能客服

传统方式：

def handle_customer_query(query: str) -> str:
    if "退货" in query:
        return get_refund_policy()
    elif "物流" in query:
        return get_logistics_info()
    else:
        return "请联系人工客服"

问题：

需要穷举所有情况
用户问法稍有不同就识别不了
维护成本高

AI方式（用LangChain）：

from langchain.agents import create_agent

agent = create_agent(
    llm=your_model,
    tools=[
        查询订单工具,
        查询物流工具,
        退货政策工具
    ]
)

# AI自己理解意图，选择工具
response = agent.invoke("我3天前买的东西怎么还没到？")

优势：

AI理解各种问法
自动选择合适的工具
可以组合多个步骤

场景2：文档分析

传统方式：

关键词搜索
正则表达式匹配
固定的规则提取

AI方式（RAG）：

1
2
3

# 让AI理解文档内容，智能回答问题
qa_system = create_rag_system(documents)
answer = qa_system.invoke("这个合同的违约金条款是什么？")

场景3：数据转换

传统方式：

# 需要为每种格式写转换逻辑
def parse_date(text: str) -> datetime:
    if re.match(r"\d{4}-\d{2}-\d{2}", text):
        return datetime.strptime(text, "%Y-%m-%d")
    elif re.match(r"\d{2}/\d{2}/\d{4}", text):
        return datetime.strptime(text, "%m/%d/%Y")
    # ... 更多格式

AI方式：

# AI理解各种表达方式
result = llm_with_parser.invoke(
    "把'2023年10月28日'转换为ISO格式"
)
# 输出：2023-10-28

🎓 关键要点总结

AI应用是”概率性”的
- 不像传统代码那样确定
- 需要通过提示词”引导”而不是”控制”
LangChain是工具箱，不是魔法
- 它简化了AI应用开发
- 但仍需要理解底层原理
从”编程”到”提示工程”
- Web开发：写精确的代码逻辑
- AI开发：设计有效的提示词
组件化思维
- 像搭积木一样组合组件
- 重用和组合是关键
测试和调试方式不同
- 需要评估质量而不是验证正确性
- 需要多样本测试而不是单一测试用例

📚 下一步

现在你已经理解了AI应用开发的基本思维，接下来我们将：

第2课：搭建环境，配置国内可用的AI模型
第3课：学习LangChain的核心组件
第4课：开始构建实际的AI应用

🤔 思考题

在进入下一课之前，思考这些问题：

你目前的工作中，哪些场景可以用AI来优化？
这些场景更适合传统方式还是AI方式？
如果用AI，可能会遇到什么挑战？