前面几章，我们了解如何使用消息大模型，使用prompt提示词，Runnable是什么。如果你对于大模型使用、prompt提示词、Runnable不太了解，可以先看看前面几章。下面我们将继续学习讨论Chain链。
Chain链的本质，就是管道。在Shell命令行中，我们通过|操作符串联命令，例如cat file.txt | tr 'a-z' 'A-Z'将文件内容转为大写——管道将左侧命令的标准输出，直接作为右侧命令的标准输入。LangChain借鉴了这一经典设计，将其命名为Chain（链）。
在上文中中，我们了解使用LangChainJS进行基础的消息大模型调用，如果你对于大模型基础调用不了解，可以先看看第一章。下面我们将继续学习讨论Prompt提示词。
Prompt提示词是给到大模型的消息指令。在上一章中提到Message消息，Message也是用来给大模型的消息指令，直接使用Message完全可行，而且对于固定内容的单次调用，甚至更简单，那为什么还需要Prompt提示词呢？
在LangChain中，prompt提示词的价值在于“动态构建”和“可复用”。如果使用Message消息是没办法动态构建和复用的，而prompt解决了这个问题。
前面的几篇文章已经说到了使用LangChain如何调用大模型，如何使用提示词，后续我们即将聊到Chain链，Chain链是LangChain的核心，它可以让开发者便捷的构建标准化工作流，数据流转可以在不同的组件间进行，不用显示的把组件传入，方便又快捷。
但在聊Chain链之前，我们必须要先聊下Runnable抽象类，因为它是Chain链的基石，没有它，我们很多事情都没法干 ，下面我们来看看Runnable。
Runnable是一个抽象类，它定义了一套标准接口，让提示词模板、大模型、输出解析器等不同组件都能以统一的方式被调用和组合。它没办法直接使用，我们通常是使用它的实现类。
LangChain 是一个专为智能体（Agent）设计的开发框架，其核心价值在于为大模型赋予“连接外部工具”的能力，从而突破其固有的“大脑”(大模型)边界。
由于大模型在预训练完成后，其参数化知识便已冻结，无法实时更新或获取私有数据。若要注入新知识，传统方式需进行成本高昂的重新训练。而 LangChain 另辟蹊径，它并不试图改变模型的“思维”，而是为其“长出手脚”——通过集成网络搜索、本地知识库检索（即 RAG）、文档编辑等外部工具，让大模型能够利用外部信息源进行推理与行动，从而极大地扩展了其应用边界。
LangChain分为Python和Javascript两个版本，下面的代码示例，我们将以Javascript版本来学习LangChain。
原文链接：https://www.yuque.com/yopai/pp6bv5
JDK7 的 Date 和 SimpleDateFormat 不是线程安全的，且 Calendar API 复杂难用。
┌─────────────────────────────────────────────────────────────┐
│ JDK7 日期 API 问题 │
├─────────────────────────────────────────────────────────────┤
│ │
│ Date： │
│ - 可变对象，线程不安全 │
│ - 月份从 0 开始（坑） │
│ │
│ SimpleDateFormat： │
│ - 线程不安全，不能声明为 static │
│ - 多线程下可能出现异常结果 │
│ │
│ Calendar： │
│ - API 复杂，很多废弃方法 │
│ - 可变对象，线程不安全 │
│ │
└─────────────────────────────────────────────────────────────┘原文链接：https://www.yuque.com/yopai/pp6bv5
正则表达式（Regular Expression）用于匹配、查找、替换字符串。
┌─────────────────────────────────────────────────────────────┐
│ 正则能做什么 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 1. 校验：手机号、邮箱、身份证等格式是否正确 │
│ 2. 提取：从字符串中提取匹配规则的内容 │
│ 3. 替换：将符合规则的内容替换为指定字符串 │
│ 4. 分割：按规则分割字符串为数组 │
│ │
└─────────────────────────────────────────────────────────────┘随着大语言模型的快速发展，我们面临着知识时效性和准确性的挑战。RAG（Retrieval-Augmented Generation，检索增强生成）技术应运而生，它结合了检索系统和生成模型的优点，为AI应用带来了革命性的改进。
传统的大语言模型存在几个明显的局限性：
目前我们看到的ChatGPT、DeepSeek、Kimi、千问、豆包都是生成式人工智能，为什么说他们是生成式人工智能，而不是人工智能呢？
我们先来看看人工智能是什么？
人工智能 (AI) 是一种使计算机和机器能够模拟人类学习、理解、解决问题、做出决策，以及发挥创造力和自主性的技术。
配备 AI 的应用程序和设备可以感知并识别物体。它们可以理解人类语言并作出回应；可以从新的信息与经验中学习；可以向用户和专家提供详细建议；可以自主行动，替代人类智能或人工干预（自动驾驶汽车就是典型案例）。
人工智能的目标是要让机器能像人一样感知、推理、决策。它包含你熟知的一切，比如下围棋的 AlphaGo、人脸识别、自动驾驶、推荐算法等。
记录 AI 学习与实践的点点滴滴。
AI 技术正在深刻改变我们的工作方式，这里记录我在学习和使用 AI 工具过程中的心得与总结。
本栏目记录 Java 后端开发的学习与实践历程。