想做自己的 AI 應用，需要學 LangChain 嗎？一張地圖看懂 AI 應用開發
這篇文章把 AI 應用開發攤成一張地圖，白話拆解 LangChain 的 chains、RAG、memory、agents，並用「自主程度光譜」幫你判斷什麼時候 Vibe Coding 加現成工具就夠、何時才值得引入框架。適合想做自己的 AI 應用、卻擔心要先變成工程師的非工程師閱讀。
最近常被問一個問題：「我想做自己的 AI 應用，是不是要先學 LangChain?」問的人通常不是工程師——可能是講師想做拆書機器人，或創業者想做客服助理。他們滑過幾篇技術文章，看到滿屏的 Python 程式碼和「向量資料庫」「代理架構」這些詞，結論是：好像得先變成工程師，才有資格做 AI 應用。
我剛讀完 O'Reilly 的《Learning LangChain》，整本書講的就是怎麼用這套框架蓋出正式上線的 AI 應用。我的結論反而是：大多數人現階段不需要學它——但你需要看懂它在解決什麼問題，因為那張問題地圖，就是 AI 應用開發的全貌。看懂地圖，才知道自己站在哪裡、什麼時候該升級裝備。
這篇把那張地圖攤開，用白話講給非工程師和 Vibe Coder 聽。
LangChain 到底在解決什麼問題
先白話定義：LangChain 是一個「框架」——把開發 AI 應用常用的零件先做好、規格統一，讓工程師不必每次從零手刻。它處理四類問題，而且不管你用不用框架都會遇到：
Chains（鏈）：把多個 AI 步驟串成固定流程。例如「先把使用者的問題翻成資料庫查詢，再把查詢結果翻成人話」就是一條兩步的鏈。你在 ChatGPT 裡手動「先貼這個提示詞、再貼那個」，其實就是在當人肉鏈。
RAG（檢索增強生成）:AI 沒讀過你的私有資料，也不知道訓練截止日之後的事。RAG 的解法是把你的文件切塊、變成可比對的數字（嵌入），存進向量資料庫；使用者提問時先撈出最相關的段落，塞進提示裡再請 AI 回答。白話說：開書考代替憑記憶亂掰。
Memory（記憶）:AI 其實沒有記性，每次回答都是失憶重來。所謂記憶，是工程師把對話歷史存起來、修剪到塞得下，再附回每一次的提示。ChatGPT 替你做掉了這件事，自己做應用就得自己處理。
Agents（代理）：給 AI 一組工具（查網頁、算數學、寄信），讓它自己決定先用哪個、用幾次、什麼時候停。書裡有一句話講得很準：代理架構的關鍵，是把「迴圈何時停止」的決定權交給 AI。這也是它最強大、同時最不可靠的原因。
先看光譜，再決定要不要上裝備
《Learning LangChain》第五章有個全書最值錢的觀念：AI 應用是一條「自主程度光譜」——從純程式碼、單次 AI 呼叫、固定步驟的鏈、讓 AI 選路的路由器，一路到全自主的代理。愈往右愈強，也愈不可靠；而大多數人的需求，落在光譜的左半邊。
我自己的選賽道決策機器人就是例子。它聽起來很「AI 應用」：五階段訪談、評分公式、產出評估報告。但拆開看，它就是光譜最左端的「單次設定+對話」——一段寫得夠好的 System Prompt（角色設定），加一個 Vibe Coding 做出來的網頁外殼。沒有向量資料庫、沒有代理、沒有框架。當初我也想過要不要做得更工程一點，後來發現需求根本沒長到那裡：評估邏輯全部裝得進一段提示詞，再多的架構都是負重。
這給我的教訓很具體。
重點：先問你的需求落在光譜哪裡，再決定背多重的裝備。從最左邊開始，不夠用再往右走一格。
什麼情況 Vibe Coding 加現成工具就夠
對照書裡的問題清單，很多「看起來要寫程式」的需求，現成工具早就解掉了：
- 需要 AI 記得你的偏好、扮演固定角色 → ChatGPT 的 GPTs 或 Claude 的 Projects，設定一次就好
- 需要 AI 讀你的文件再回答（小量資料的 RAG）→ 直接附檔，或用 NotebookLM
- 需要一個有介面的小工具（計算機、產生器、決策機器人）→ Vibe Coding 一個下午做出單頁網頁
- 需要固定流程多步驟（鏈）→ 把步驟寫成一份「先做一、再做二」的提示詞，或用自動化平台串接
我重建 pbtw.tw 網站時體會更深。整個過程是對話式的 AI 協作：我描述需求、AI 寫程式、我驗收、再修——本質上就是書裡說的「人在迴路」（人在關鍵步驟把關），只是那個人就是我。全程沒有用任何 AI 開發框架，因為「我盯著看、隨時喊停」這件事，本身就取代了框架要解決的大半可靠性問題。框架的價值，是在沒有人盯著的時候讓系統自己可靠——而個人工具幾乎永遠有人盯著。
如果你還沒做過這種協作，建議先讀Vibe Coding 實戰五原則，那是比任何框架都先該裝備的工作流。
什麼情況才真的需要框架
那框架什麼時候登場？書的後半（部署、測試、監控）其實就是答案——當你的應用要離開你的電腦、服務很多人、而且沒有你盯著的時候：
- 多人同時使用：每個使用者的對話狀態要分開存、可中斷、可續跑，手刻很痛苦
- 資料大且常更新：幾百份文件以上的 RAG，需要正式的索引、檢索策略與更新機制
- AI 要自主跑流程：沒有人在迴路裡，就需要結構化輸出、自我修正、評測資料集這些工程保險
- 要可觀測、可回歸測試：改一句提示詞，得知道全系統有沒有變笨——這需要監控與評測平台
戴上資安講師的帽子，我還要加第五點：引入框架就是引入一整串依賴。LangChain 裝下去，是幾十個套件進到你的環境，每個都是供應鏈的一環；API 金鑰怎麼存、第三方監控平台會經手哪些對話資料、套件版本誰來盯，全變成你的責任。這不是說框架危險，而是它是「組織等級」的承諾——個人小工具不需要背。
一張地圖：我該用什麼做 AI 應用
流程總覽
由上往下答三個問題，大多數人會停在 C、E、I——完全不需要框架；只有走到 K 的人，才需要打開這本書。
如果決定要學：建議的學習路徑
真的走到 K，也別從 API 文件開始背，照觀念的依賴順序學：
- 提示詞與結構化輸出：這是地基，而且不用寫程式就能練
- RAG：先懂「切塊、嵌入、檢索」的邏輯，再學工具；檢索不準時要會改查詢，而不是換資料庫
- 記憶與狀態：理解 AI 失憶的本質，以及對話歷史的存取與修剪
- 代理與認知架構：最後才碰，並且永遠記得自主與可靠的取捨
- 評測與監控：上線前建立評測資料集，讓每次修改都有依據
順序的精神是：觀念在前，框架在後。觀念是通用的，框架會換，但「先想清楚我的應用落在光譜哪裡」這個習慣，跟著你一輩子。
常見問題
Q1:我完全不會寫程式，這本書的觀念對我有用嗎？
有用。前半本的觀念（光譜、RAG、記憶、取捨）用 ChatGPT 就能體會；寫程式是實作層，觀念層人人該懂——它決定你會不會高估自己的需求。
Q2:不用 LangChain，直接請 AI 幫我寫串接程式可以嗎？
小工具完全可以，我的決策機器人就是這樣做的。但當需求長到多人使用、狀態管理、需要監控時，手刻的維護成本會反超框架的學習成本——那就是該換裝備的訊號。
Q3:LangChain 和 LangGraph 差在哪？
LangChain 提供可替換的零件（模型、提示模板、檢索），LangGraph 管的是流程：把應用畫成有狀態的圖，支援中斷、續跑、人在迴路。簡單說，前者給你積木，後者給你組裝桌。
Q4:先學框架還是先學 Vibe Coding?
先 Vibe Coding。它讓你用最低成本驗證「這個應用值不值得存在」；確認值得、而且規模撐不住了，再投資框架。順序反過來，常常是學了三個月框架，做出一個沒人用的東西。
如果你正卡在「想做點什麼，但不知道從哪裡動手」：先挑一個自己每週都會用的小需求，用 Vibe Coding 做出第一版。我的Vibe Coding 工作坊就是帶你走完這段——從需求一句話、驗收標準到可以用的工具，不需要任何框架基礎。
這篇文章的書籍觀念整理，完整版在我的讀書筆記：/note-learning-langchain/