⚠️ 免責聲明
本文整理自 IBM × Coursera 《Develop Generative AI Applications》模組三與 LangChain 官方教學筆記。
內容為學習與教學用途，非官方文件，實際應用請遵守相關 API 授權與資料安全規範。

一、前言：從語言到系統的時代轉變

「我們正在從 指令電腦，轉向 與電腦共思考。」
—— Sam Altman（OpenAI CEO）

LangChain 讓這場轉變成真。
它不是單純的 AI 函式庫，而是 LLM 的應用層作業系統（Application OS），使模型能夠擁有：

• 記憶（Memory）
• 感知（Perception）
• 行動（Action）

這標誌著生成式 AI 的第二階段：從對話模型（Chatbots）進化為可執行代理（Agentic Systems）。

二、核心理念：LangChain 是「智慧系統的中介層」

LangChain 的價值在於「讓模型可用，讓智慧可執行」。
它將人類語言、商業邏輯與程式運算橋接起來。

三、智慧廚房：LangChain 系統運作圖

四、Agent 的智慧：ReAct 思考循環

ReAct 框架讓模型不只是「生成」，而是「推理後採取行動」。

Thought → Action → Observation → Thought → Final Answer

範例：AI 代理查詢股價

Thought: 我需要取得 AAPL 的股價  
Action: 使用 FinanceAPI("AAPL")  
Observation: API 回傳錯誤（Service Unavailable）  
Thought: 我應該改用備援工具  
Action: 使用 WebSearch("Apple stock price")  

這種「思考–行動–觀察」的閉環能力，讓 AI 具備韌性（Robustness）與自我修復能力（Self-healing）。

五、LCEL：讓 AI 流程像資料管線一樣設計

LangChain Expression Language (LCEL) 讓開發者用直覺的「管道式語法」組裝應用：

chain = prompt | llm | output_parser

這不是語法糖，而是：

• 聲明式設計（Declarative Design）
• 可視化數據流（Data Flow）
• 可追蹤與並行執行

LCEL 的核心在於「你不是寫程式給 AI，而是設計流程給 AI 運行。」

六、開發者的角色轉變：從工程師到協作設計師

LangChain 開發者不只是 coder，更是「Prompt Architect × AI 協作者」。

七、LangChain × Flask：讓 AI 成為 Web API

課程實作專案：
使用 Flask 建立一個 AI 生成 API，後端透過 LangChain 管線執行任務。

from flask import Flask, request, jsonify
from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain_openai import ChatOpenAI

app = Flask(__name__)

template = PromptTemplate(template="將以下文字摘要為三句話：{text}", input_variables=["text"])
llm = ChatOpenAI(model="gpt-4")
parser = JsonOutputParser()

chain = template | llm | parser

@app.route("/summary", methods=["POST"])
def summarize():
    data = request.json
    result = chain.invoke({"text": data["text"]})
    return jsonify(result)

部署建議：

• 測試環境使用 Flask Dev Server
• 生產環境使用 Gunicorn + Docker
• 資料安全需求可採 本地模型部署（vLLM）

八、應用架構全景圖：RAG + Agent 系統整合

九、模型選擇策略：AI 花園的啟示 🌱

IBM 講師 Nicholas Renott 提出「AI 花園比喻」：

「AI 模型就像作物，選對種子、定期照料、輪作多樣化，系統才能健康。」

十、Flask 與 LangChain 的協作優勢表

十一、前瞻趨勢與學習建議

1. Agentic AI 系統化：多代理協作（如 LangGraph）將成為企業標準。
2. LLM 治理與可觀測性：LangSmith、Prompt Security 逐漸成熟。
3. 小模型（SLM）崛起：在邊緣端或私有雲運行，確保資料主權。
4. MaaS 平台整合：Watsonx、OpenAI、Anthropic API 互通性提升。

十二、延伸學習資源

十三、結語：從代碼到協作的創新時代

「AI 工程師的任務，從『寫程式』轉變為『設計語境』。」
—— Andrew Ng

LangChain 的出現讓「AI 工程」不再只是調 API，而是一場跨越認知與創造力的革命。
在這個新時代，懂得設計提示、構建鏈條與治理模型的開發者，將是未來生成式 AI 世界的建築師。