langchain模型；LangChain与LangGraph在应用场景上的区别；

langchain模型；

研究langchain官方文档中模型的用法

模型初始化

langchain模型初始化init_chat_model时能够传递的参数：
model（模型标识符）、temperature（温度，越高模型越有创造性）、max_tokens（控制最大输出长度）等等

模型调用

模型调用有三种方式，分别是直接调用invoke()、流式输出stream() 、批量处理请求batch()

1. invoke()
   最直接方法是使用invoke()单个消息或消息列表。
   
2. stream()
   与在模型生成完整响应后invoke()返回单个对象的函数不同，该函数返回多个对象，每个对象包含输出文本的一部分。stream中的每个数据块都旨在通过求和的方式组合成完整的消息。
   
   生成的内容是一块一块的。
3. batch()
   将一系列独立的模型请求批量处理，可以显著提高性能并降低成本，并行处理这些请求。

工具调用

model调用工具与create_agent调用工具的区别：

本质上是 “工具注册的位置不同 → 控制权不同 → 使用方式不同”

• create_agent是一种高度封装调用工具方式
  工具是给 Agent 用的（由 Agent 决策是否调用）

• model.bind_tools工具属于底层配置。
  工具是给模型用的（模型直接具备调用能力）

关键点在于Agent（LLM + 逻辑） ≠ LLM模型，Agent因为有逻辑的存在支持多步推理，有工作流的能力，这俩本身的差异造成了两种工具调用。

langchain中model的用法类似于我之前使用的call_ollama与OpenAI function calling。

LangChain与LangGraph在应用场景上的区别；

LangChain是用来做LLM应用开发框架,LangGraph状态机 + 工作流引擎,但一直没有深入理解他们的应用场景。

应用场景上的区别主要是：这个任务有没有流程 / 分支 / 多步骤决策

LangChain 典型应用场景

关键词：一次性 / 线性 / 不复杂

1. RAG 问答
   用户问题 → 检索 → LLM回答
2. 信息抽取 / 结构化输出
   文本 → LLM → JSON
3. 单工具调用
   用户 → LLM → 调一次工具 → 返回
4. 简单 Agent（轻量）
   问一句 → 调1~2个工具 → 结束

LangGraph 典型应用场景

关键词：多步骤 / 有状态 / 有分支 / 可控

1. 复杂 Agent
   LLM → 判断 → Tool → 再判断 → Tool
2. 多步骤业务流程
   步骤1 → 步骤2 → 条件判断 → 分支执行
3. 人机协同
   LLM → 判断不确定 → 人工确认 → 继续执行
4. 长流程任务
   任务执行一半 → 挂了 → 恢复继续