Generative AI with LangChain：它敢挑AI写的代码，没人挑它的译文

2026-11-11silcano

微信读书《Generative AI with LangChain》（Ben Auffarth，Packt）· 抓取 1040 屏，其中正文 988 屏、附录 52 屏
逐字核对 8 屏 · 2026-11-11 首次发布 · 分两段抓取：第 1–7 章 713 屏，第 8–10 章 327 屏（首轮在第 7 章末尾被回环守卫误判截断，已用目录跳转补抓）
抽样点位的选法：这是一本英文原版书，骨架是「概念 → 框架 → 环境 → 助手 → 聊天机器人 → 代码 → 数据科学 → 微调 → 上线 → 未来」十级台阶。我按三条线抽：一是它的开场态度（p0150，第 2 章讲大模型的局限，看它是吹还是泼冷水）；二是它的技术内核（p0600，第 6 章审查自己生成的代码，全书最见功力处）；三是它的末端（p0700，第 7 章 agent 跑数据科学，看它敢不敢把过程摊开）。另补看 p0060、p0100、p0190、p0250、p0400、p0520、p0640，覆盖概念、演进、agent 循环、环境搭建、混合推理、RAG 加载器、代码安全。抽读 8 屏约占 0.8%，十章屏数按 pages 索引全量切分。

先给结论：这本书的骨架是我读过的 AI 工程书里最匀的一本，十章没有一章潦草；但它把一半版面交给了一份机翻，而那份机翻连 LLMs 都不认识。

988 屏，十章，屏数分布是这样的：第 1 章 112 屏（11.3%）、第 2 章 93 屏（9.4%）、第 3 章 124 屏（12.6%）、第 4 章 85 屏（8.6%）、第 5 章 118 屏（11.9%）、第 6 章 89 屏（9.0%）、第 7 章 60 屏（6.1%）、第 8 章 89 屏（9.0%）、第 9 章 116 屏（11.7%）、第 10 章 70 屏（7.1%）。

最厚的一章 124 屏，最薄的 60 屏，差 2.07 倍。这个倍数，在一本十章的技术书里，几乎就是「刻意平均」的结果。对比我读过的那些中文 AI 书——某本把设计基础压到 31 屏、把提示词词典铺到 223 屏；某本把建筑效果图给 83 屏、把产品设计给 5 屏——你会明白这个 2.07 倍有多难得。

但也是从这个 2.07 倍开始，问题露头了：它匀得太整齐，整齐到每一章都像「刚好填满配额」。这件事我放到第六条短板里说。

一、十章，一条不偏：它把「能力」当章名，而不是把「知识」当章名

把十章的名字读一遍，你会发现一件事：它们大多不是名词，是动词短语。

1 什么是生成式 AI；2 用于 LLM 应用的 LangChain；3 开始使用 LangChain；4 构建能力型助手；5 构建一个像 ChatGPT 的聊天机器人；6 用生成式 AI 开发软件；7 用于数据科学的 LLM；8 定制 LLM 及其输出；9 生产环境中的生成式 AI；10 生成模型的未来。

第 4 章「构建能力型助手」、第 5 章「构建一个像 ChatGPT 的聊天机器人」、第 6 章「用生成式 AI 开发软件」——这三章是三个可交付的东西，不是三个知识点。你读完一章，手上该有一个能跑的东西：一个会调工具的助手、一个能聊你自己文档的机器人、一个会写代码还会被你审查的开发者。

这是「工程书」和「教材」的分界线。教材按知识分类（第二章讲词向量、第三章讲注意力），工程书按能力分类（这一章结束你能做出什么）。这本书选了后者，代价是它不好当参考书查，好处是你不会读完十种算法却做不出一个东西。

第 3 章 124 屏是最厚的一章，也最能说明这本书的性格。章名平平无奇，叫「开始使用 LangChain」，里面塞了：依赖安装、云集成、API 密钥、LLM 与聊天模型、提示、链、LCEL（LangChain 表达式语言）、文生图、图像理解、本地模型（Hugging Face Transformers / llama.cpp / GPT4All），最后是一个客服原型（情感分析、文本分类、文档摘要、map-reduce、token 用量监控）。

p0250 是这一章里最不性感的一屏：pip、venv、requirements.txt 三条命令，配着中英对照的解释。一本英文技术书愿意给「装环境」留出整整一节（17 屏「环境设置与 API 密钥」+ 13 屏「如何设置依赖」），说明作者知道读者会死在哪里。这点值得夸——大多数书默认你有干净的 Python 环境，然后你在第三天放弃了。

但夸完要记账：30 屏装环境，加 32 屏版权与贡献者介绍，加 48 屏章末的 Summary 与 Questions，一共 110 屏，占正文 11.1%。真正讲技术的，是 878 屏。

二、它开篇就泼冷水：随机鹦鹉，与 2555×2555

很多 AI 书的第一章是「AI 多厉害」。这本书第 2 章一上来就叫「超越单纯的机械模仿」（Going beyond stochastic parrots）——这个标题本身就带态度。

p0150 是这一节的正文。我把原文抄在这里，它值得完整看一遍：

「研究人员艾米丽·本德、蒂姆尼特·格布鲁、玛格丽特·米切尔和安杰丽娜·麦克米伦-梅杰提出了『随机鹦鹉』这一术语来描述这一现象（《随机鹦鹉的危害》；2021 年）。大语言模型能够以惊人的精确度模仿语言模式，但它们无法理解语言背后的真正含义或上下文。想象这样一种鹦鹉：它能完美地重复人类的对话，但却不明白自己所说的话的含义。这种缺乏理解的能力会导致模型产生的输出内容不准确、无关紧要，甚至是不道德的。」

接下来的做法很狠：作者不解释，他演示。屏幕上给了一段真实对话截图——

问：What is 5*5?
答：The product of 5 multiplied by 5 is 25.
问：What is 2555 * 2555?

第二问答不出来。5×5 会算，2555×2555 就现原形——这一屏的说服力，顶得上一整章「大模型的局限性」。因为它把「随机鹦鹉」这个抽象判断，变成了你亲眼看到的一次卡壳。

我要在这里停一下，说个判断：这本书的作者懂「怎么证明一件事」。他不满足于引用论文，他要给你看证据；他不满足于说「模型不会推理」，他要给你看它在哪道题上卡住。这个习惯在后面几章反复出现，也是这本书真正值钱的地方。

同一条思路在 p0400 又出现一次。第 4 章讲「探索代理架构」，原文是：

「LLMs excel at pattern recognition in data but struggle with the symbolic reasoning required for complex multi-step problems. ... Hybrid systems that combine neural pattern completion with deliberate symbolic manipulation can master skills such as these.」
（大语言模型在数据的模式识别上很出色，但在复杂多步骤问题所需的符号推理上挣扎。把神经网络的模式补全与刻意的符号操作结合起来，这样的混合系统才能掌握这类技能。）

「混合系统」这四个字，是这本书全部技术方案的底层逻辑。为什么要有工具？因为模型自己算不准，得让它去调计算器。为什么要有 agent？因为一步算不完，得让它循环。为什么要有 RAG？因为答案不在参数里，得让它去查。为什么代码要进沙箱（p0640）？因为模型生成的代码有「对本地系统的极大控制力」，不能让它裸奔。

你会发现，后面八章的所有设计都能回溯到这一句：模型不擅长符号推理，所以要给它外挂。这个视角比「LangChain 有几个组件」高一个层级——组件会变，这个判断不会。

三、它把「工具」讲成了「循环」，而不是「清单」

讲 agent 的书，八成会给你一张清单：有哪些工具、怎么注册、description 怎么写。这本书也讲了这些，但它在 p0190 给了一句更本质的话。

原文这样区分链和代理：链是「由较低级别的模块组合而成」，按特定顺序排列以实现逻辑复用；代理则「借助链来执行以目标为导向的动作，观察环境、根据观察结果决定执行哪条链、执行该链指定的动作，然后重复这一过程」。

然后是我认为全书最精确的一段定义：

「代理执行器运行时负责协调查询代理、执行工具操作以及将观测结果反馈回系统的整个流程。它同时处理诸如错误处理、日志记录及数据解析等底层复杂任务。」

「查询 → 执行 → 观测 → 再查询」这个循环，才是 agent 的定义。不是「能调工具」，是「能根据工具的返回结果决定下一步」。前者是函数调用，后者才是代理。

这句话为什么重要？因为它顺手把「agent 为什么难做」也答了：难的不是接工具，是「观测结果反馈回系统」那一环——工具返回的是字符串、是 JSON、是报错、是空，模型得看懂它，再决定下一步。所有 agent 的失败，八成发生在这里，而不是在「选哪个工具」上。

作者在 p0190 也提到「错误处理、日志记录及数据解析」，但只是一句带过。这是这本书的通病：它总能一句话点到要害，然后转身走开。

四、全书最值钱的一段：他挑自己代码的错

如果这本书只能留一页，我留 p0600。

第 6 章讲「用生成式 AI 开发软件」，有一节叫「实现一个反馈循环」——作者让模型生成一个 Customer 类，然后自己审查它。p0600 就是审查现场。原话（中文译文）是：

「很高兴看到客户 ID 确实是按照预期使用哈希值生成的。代码中有一些用于比较两个不同客户对象的通用代码段。不过，依然存在之前提到的问题。首先，代码中缺少导入语句，这让我很困惑——因为根据提示，这些导入语句应该位于文件开头的模块文档字符串中。其次，代码试图在类初始化之后设置某个属性，而实际上这类属性应该是被冻结的；这说明开发者对『被冻结的属性』这一概念缺乏理解。」

这段要拆开看，它包含三个动作，每个都值得学。

第一个动作：先给一句肯定。「很高兴看到客户 ID 确实是按照预期使用哈希值生成的。」——这不是客套。审查代码时先说对的部分，是为了让被审查的一方（这里是模型，但更多时候是你自己）知道「哪里不用改」，从而把注意力集中到真正的问题上。

第二个动作：指出「该有却没有」的东西。「代码中缺少导入语句，这让我很困惑——因为根据提示，这些导入语句应该位于文件开头的模块文档字符串中。」注意这里的逻辑：他不是说「你漏了 import」，他说「我让你写在文档字符串里，你写了文档字符串却没写 import」——他是在对照自己的提示词验收，而不是凭感觉挑刺。

第三个动作：从错误反推认知。「代码试图在类初始化之后设置某个属性，而实际上这类属性应该是被冻结的；这说明开发者对『被冻结的属性』这一概念缺乏理解。」这一句最狠：他不说「这行写错了」，他说「写这行的人不懂 frozen」。然后下一步顺理成章：给模型补这个概念，再让它重写。

这就是「反馈循环」的真正含义——不是「再生成一次」，是「定位错误 → 归因到认知 → 补上认知 → 重新生成」。四步，缺一步就变成抽卡。

而作者也没停在「模型不行」。他继续修，继续审，还有第三个问题：「客户 ID 引用了一个错误的变量名」。一个问题接一个问题地拆，直到这段代码真能用——这个过程的记录，比任何「AI 帮我写了 500 行」的演示都有价值。

顺带说 p0640。同一章讲代码安全，作者写：「从本质上来讲，任何由大语言模型执行的代码都对本地系统拥有极大的控制能力。与在笔记本或沙箱等隔离环境中运行代码相比，这就使得安全性成为一个极其重要的问题。」然后给了四个方案：RestrictedPython、pycropt、setuptools 的 DirectorySandbox、Codebox API。

「任何由大语言模型执行的代码都对本地系统拥有极大的控制能力」——这句话该印在所有「AI 编程」书的扉页上。因为绝大多数书在教你「怎么让它写」，只有极少数会提醒你「它写的东西要在哪里跑」。

五、第 8 到 10 章：它没砍掉中文书最爱砍的三块

这本书最让我意外的地方，不是它讲得多好，是它没砍。

第 8 章「定制 LLM 及其输出」89 屏，讲条件化（conditioning）、RLHF、LoRA、推理时条件化、微调环境准备、开源模型与商用模型。这一章没法截图——微调的过程没有漂亮界面，只有 loss 曲线和参数；LoRA 连曲线都不好看。所以中文技术书经常把微调压成一节，或者干脆删掉。

第 9 章「生产环境中的生成式 AI」116 屏，是全书第三厚的一章。它讲三件事：让应用「准备好上线」、怎么评估（比较两个输出、对照标准比较、字符串与语义比较、跑数据集评测）、怎么部署（FastAPI、Ray），最后是 21 屏讲可观测性（LangSmith、PromptWatch）。

请把这三件事的顺序记住：先准备好，再能评估，最后才部署。这个顺序和大多数教程相反——大多数教程先教你部署，因为部署有成就感：一个网址，能点。而这本书把「评估」放在「部署」之前，还给了 7 屏专讲「怎么评估 LLM 应用」。这是一个工程判断：不能评估的系统，上线就是赌博。它不解释这个判断，但用章节顺序投票了。

第 10 章「生成模型的未来」70 屏，讲现状、挑战、模型发展趋势、大厂与中小企业、经济后果（创意产业、教育、法律、制造、医学、军事）、社会影响（虚假信息与网络安全）、监管与落地挑战、前路。

这一章是全书的「免责声明」，也是最容易写虚的一章。但它有个有意思的分配：经济后果占 19 屏，其中创意产业 3、教育 2、法律 1、制造 1、医学 2、军事 2，另加社会影响 4、虚假信息与网络安全 2；监管 7 屏。「法律 1 屏、制造 1 屏」——这种给法很诚实：它承认自己不懂，所以不多写。

三章加起来 275 屏，占正文 27.8%。这个比例说明一件事：这本书认为「微调、评估部署、社会影响」占了生成式 AI 工程的三成。你可以不同意这个配比，但它至少给了一个配比，而不是把力气全花在「怎么调 prompt」上。

六、它的短板

这一节写六条，前两条是硬伤，后四条是遗憾。

第一，也是最要命的一条：中文是机翻，而且没人校对。

这本书是逐段中英对照排的：一段英文，紧跟一段中文，再一段英文。这意味着你花钱买的 988 屏里，有将近一半版面是译文。而这份译文的水平，用目录就能证明——

目录里第 3 章有一个小节，英文是「LLMs」，中文译成「法律硕士」。因为在词典里 LLM 的第一释义是 Master of Laws（法学硕士）。它不知道在这本书里，LLM 是大语言模型。

同一份目录里，第 7 章的标题「7 LLMs for Data Science」，译成「7款用于数据科学的大语言模型」——章号 7 被当成了数量「7 款」。

还有：「Prompts」译成「提示信息」（应为提示词）、「Chains」译成「链条」（应为链）、「Summary」译成「摘要」（应为小结）、「Questions」译成「问题」（应为习题）、「Applying map-reduce」译成「应用映射Reduce算法」。

正文里也一样。p0700，agent 跑完 iris 数据集的分析，英文是「Here is the plot:」，中文译成「剧情如下：」——plot 被当成小说情节了。

这几条错误有个共同点：它们都发生在一个「懂英文的人不会错、懂技术的人也不会错」的位置上。也就是说，这份译文既没有技术审校，也没有人工通读。它是一次机器翻译的直接产物，套了个双语排版的外壳。

我为什么把这条排第一？因为它直接决定这本书能不能用。英文够好的读者会直接跳过中文，那这本书的可读屏数立刻腰斩，只剩 494 屏当量；英文不够好的读者会把「法律硕士」当术语记下来，然后在面试里说错。两头都不讨好，而定价是按 988 屏收的。

第二，接口停在了 2023 年，而且没有一页告诉你这件事。

p0700 里那段调用是 agent.run(prompt.format(query="what's this dataset about?"))。这种写法在 LangChain 0.1 之后大改，agent 的构造、执行、回调全换了。p0520 的 document loaders 也是同一批老类名。书里用到的模型——GPT-3.5/GPT-4、StarCoder、StarChat、Llama 2——全是 2023 年的版本。

这不是作者的错，是选题的宿命。但书里缺一件东西：一张「哪些代码已经不能跑」的对照表。任何写框架的书，出版半年后都该配这么一张表，或者一个在线勘误页。这本书的版权页只给了 Packt 的通用勘误入口（p0030：提交勘误、举报盗版、申请成为作者三个邮箱），没有一处针对版本失效的说明。

第三，例子太小，而它没承认这一点。

第 7 章那 60 屏，用 agent 跑数据科学，数据集是 iris——150 行、4 个特征、3 个类别。p0700 的回答是「这个数据集是关于某种花卉的测量数据的，这一点是正确的」。「这一点是正确的」这个自我确认的语气，恰好暴露了 toy 例子的局限：它太容易对了。

真实的数据科学不是 150 行。是 17 个来源、9 种格式、300 个缺失值、一堆同名不同义的字段。这本书从第 3 章的客服原型到第 7 章的 iris，一路都是干净的玩具数据。它教会你「流程长什么样」，没教你「脏数据怎么活」。

第四，缺一本成本账。

书里讲了怎么调模型、怎么部署（FastAPI、Ray）、怎么观测（LangSmith、PromptWatch），但从头到尾没算过钱。一次 RAG 查询，嵌入 + 向量检索 + 大模型生成，各花多少？100 万条文档的向量库要多少内存？一个每天一万次请求的客服机器人，一个月账单是多少？

这些问题不上书，读者就会在第一个月账单出来时懵掉。而这本书恰恰是讲「生产环境」的——讲生产不讲成本，等于讲开车不讲油。

第五，它能一句话点到要害，然后转身走开。

前面夸过 p0190 那句「代理执行器负责协调查询、执行、观测反馈，同时处理错误处理、日志记录及数据解析」。这句话点到了 agent 最难的地方，但接下来没有一节展开它。错误处理具体怎么写？工具返回格式不对怎么办？重试几次？超时怎么设？

同样的还有 p0150 的「随机鹦鹉」——提出问题了（模型不理解含义），给了例子（2555×2555），然后就转去讲怎么用工具绕过了。「绕过去」是对的工程选择，但它没明说这是「绕过」，读者容易误以为「加了工具，理解问题就解决了」。

第六，十章均分，匀到有点可疑。

回到开头那个 2.07 倍。均匀是好事，但均匀到每章都卡在 60–124 屏，说明它可能不是按「这章要讲多少」分配，而是按「每章配额」分配。

证据是第 7 章只有 60 屏。按这本书自己的标准（第 3 章给客服原型四十多屏、第 5 章给 RAG 118 屏），「数据科学」这个题目至少该给 100 屏。它给了 60 屏，还塞了 5 屏 Summary 和 5 屏 Questions，真正讲内容的不到 50 屏。

「十章一样厚」有时候不是公平，是偷懒。真正该厚的（比如第 9 章评估与可观测，116 屏讲三件大事），和真正该薄的（第 7 章可以更薄，或者干脆扩成两章），都没按内容本身的需要切。这个判断我只有配比作证据——但配比本身就是证据。

七、如果一定要读，我建议这么读

988 屏全读要十几小时，其中一半是机翻。所以我建议你把它当「英文原版 + 中文对照参考」来读，别当「中文书」读。具体五步。

第一步，先读目录，把中文全遮住。不是开玩笑。先把 11 条章级条目的英文读一遍，建立自己的框架，再回头看中文——这时候你一眼就能看出哪些译文是错的（比如「7 款」）。这一步花 10 分钟，能救你后面十几小时。

第二步，第 1 章 112 屏，只读三节：「Understanding LLMs」「How do GPT models work?」「How have GPT models evolved?」。p0100 那一屏有几个硬数字值得记：GPT-3 是 3000 亿 token 训练、1750 亿参数；GPT-4 参数未公开，估计在 2000 亿到 5000 亿之间；Sam Altman 说训练成本超过 1 亿美元；ChatGPT 2022 年 11 月发布，靠 RLHF 做对齐。这四个数字是全书讨论的地基。其余小节（什么是生成模型、为什么是现在、文生图）可以快翻。

第三步，第 6 章必须精读，尤其 p0600 前后。这是全书唯一一处「作者跟模型较劲」的现场记录。读的时候带一个问题：他凭什么说「这个属性应该是 frozen 的」？答案在提示词里——他自己指定的。这就是「对照自己的提示词验收」，也是「反馈循环」和「抽卡」的分界。

第四步，第 9 章当操作手册，但要改一处顺序。书里是先「准备好上线」、再「评估」、再「部署」。我建议你反过来：先看「怎么评估」那 7 屏，再回头看部署。因为评估决定了你能接受什么样的部署——没有评估标准，你部署上去的东西只能靠用户投诉来发现问题。

第五步，第 8 章和第 10 章，按需读。第 8 章讲微调，如果不做微调，只需记住一句话：LoRA 之所以重要，是因为它把「改模型」变成了「挂一个小零件」——成本从「重训」降到「加载」。第 10 章讲未来，当作者的个人观点读，不必当结论。

最后一条提醒：这本书的所有代码，都要按「不可运行」对待，逐行核对再跑。不是因为它写错了，是因为它写的时候是 2023 年。你在 2026 年跑 2023 年的 LangChain 代码，报错是常态，能跑是运气。而这件事恰恰是这本书最好的练习：它教你审查 AI 生成的代码（p0600），你正好拿它自己的代码练手。

八、它到底该给谁

给三种人。

给英文能读、想系统过一遍 LangChain 工程的开发者。这本书的十章结构是现成的学习路径，比官方文档有次序，比博客有纵深。你可以只读英文，把中文当噪声跳过。

给正在带团队做 AI 应用、需要一套检查表的技术负责人。第 9 章那 116 屏（准备好、评估、部署、可观测），可以直接拆成团队的 review 清单。尤其「先评估后部署」这个顺序，值得抄进你们的流程。

给想学「怎么审查 AI 输出」的人。p0600 那一段的四个动作（先肯定、对提示词验收、从错误归因到认知、补认知再重写），是这本书最可迁移的方法。它跟 LangChain 无关，跟哪个模型无关，五年后还能用。

不给两种人：英文读不动、又指望中文版顶上的人（译文会让你记错术语）；想找「2026 年最新实践」的人（接口和模型都过期了）。

回到最初那个判断。这本书的骨架值四星；中文版值不值，取决于你读不读那半页英文。它敢在 p0600 挑自己生成代码的错，一条一条拆到能跑；它却没人挑译文的错，让「LLMs＝法律硕士」躺在目录里。这种不对称，比任何一处技术疏漏都更值得记住——技术疏漏会随版本更新被修掉，而「没人校对」这件事，是一本书的良心问题。

一句话：它教你怎么审查 AI 写的东西，却没人审查它自己写的中文——这本书最大的讽刺，就印在目录第 3 章。