AI 编排：LangChain 对比原生代码
在构建 AI 原型时，速度至关重要。开发者希望能够快速连接提示词 (prompts)、向量数据库 (vector stores) 和模型。这种需求推动了像 LangChain 这样框架的使用。
但当我将代码从原型迁移到生产环境时，我的观点就发生了变化。在生产环境中，你必须权衡每一个依赖项带来的技术债。你需要考虑调试、维护以及破坏性变更 (breaking changes)。
我对比了构建 GenAI 数据流水线的两种方式：纯原生 Python 和 LangChain 表达式语言 (LCEL)。
以下是权衡之处：
原生 Python 方式
- 使用轻量级的官方 OpenAI 客户端。
- 这减少了你的漏洞暴露面，并防止了依赖问题。
- 代码遵循标准的执行流。
- 堆栈跟踪 (Stack traces) 会指向发生错误的准确行。
- 你可以轻松使用标准的断点和日志记录。
- 你直接依赖于提供商的原始 API 架构 (schema)。
LangChain 方式
- 它引入了多个嵌套包。
- 大型企业级部署在维护这些依赖项时面临更多的运维开销。
- 它使用自定义管道运算符来声明流水线。
- 这使得调试变得更加困难，因为堆栈跟踪会深入到框架代码中。
- 它让你免受特定于模型的 API 变更的影响。
- 你可以用极小的改动将模型提供商从 OpenAI 切换为 Anthropic。
如何选择：
如果你的流水线是简单的单步事务，请选择原生方式。如果你执行的是直接的文本转 JSON 解析，请通过简洁的封装代码保持系统的精简和透明。
当你的需求增长时，请选择 LangChain。如果你需要复杂的提示词管理、长期记忆，或者必须快速更换多个模型供应商，那么使用该框架是值得的。
我们的目标不仅仅是编写更少的代码。我们必须编写可扩展且易于维护的系统。
Optional learning community: https://t.me/GyaanSetuAi