过去这一年多，是 AI 技术的大浪潮，GPT 各种词汇也出现在原本非 ML 领域的同学视野中。增长了不少知识。
从我这个普通码农来看，感触最深的就是这手里的锤子一直在变。有的同学总是会因为一些新的热点被迫离开根源。因为新的技术总是需要人去尝试一下。
以个人狭隘的视角，总结了四个阶段的工具类的轮子趋势变化，仅供参考。欢迎大家一起学习和提供建议。
1、LangChain 火爆，成为 AI 代名词：
首先较早火爆的是：LangChain[1] 和 Semantic Kernel[2] 这两个框架。当时被各大媒体都盯着。一时间 LangChain，成为了 AI 轮子的代表词。主打只简简单单用几十行代码，就能完成各种的 AI 酷炫功能。
图片来自网络
甚至还出现 LangChain 和 Semantic Kernel 互相抢高低的情况，框架约等于 AI。这个还是比较尴尬的。
2、自研 SDK 和 LlamaIndex 等的转移：
在同期稍晚些 LlamaIndex[3] 等更多的框架也出来了，开始出现一波 LangChain 太复杂，很多内部细节导致实现更复杂的声音。
图片来官网截图
此时有一波往 LlamaIndex、AutoXXX 或自研 SDK 等迁移的节奏。（最近）这波声音也变大了，出现了许多 XXX 放弃 LangChain 等文章和推送：
图片
前面两个阶段主要都是为了提高使用 AI 类功能的效率为主。并基于此进一步展开。
3、Fine-tuning、知识库、RAG、Agent、多模态、向量数据库等深入研究：
在大家都在使用各种各样的框架后，对于真正的效果，有了很多场景上的度量和思考。毕竟各家公司也要考核真正的投入产出比和价值。
例如：AI 客服、知识库问答上，希望能够达到更加的高的准确度（专业度等），更多的情绪价值，更具性价比的开销等。能不能做得更好，赚到钱。
至少涉及到以下相关的技术，有兴趣的同学可以进一步学习：
技术 | 应用场景 | 解决问题 |
RAG (检索增强生成) | 自然语言处理任务 ， 如文本生成 、 智能问答 | 提供更准确的回答 ， 生成与上下文更相关的内容 |
Fine-tuning | 特定领域应用 ， 如医疗 、 法律等 | 提高模型在特定任务和领域的表现 |
Function Calling | AI 助手与外部系统集成 ， 如日程安排 、 信息查询 | 执行特定任务 ， 增强 AI 助手的功能和实用性 |
Prompt | 自然语言处理任务 ， 如对话生成 、 文本摘要 | 指导生成文本的方向和上下文 ， 提高生成内容的质量和相关性 |
Agent | 自动化任务执行 ， 如客服 、 任务代理 | 自动化复杂任务 ， 提高效率 ， 减少人工干预 |
注：上面这个表格是 ChatGPT 生成的简单介绍。
4、Dify LLM 应用开发平台的再次崛起：
在我的记忆中 dify 应该也是比较早就开始做的了，但大家当时可能聚焦前面的能用的阶段更多。
现阶段各类业务模式和内容物，都有个大概了。谁更够更快更灵活决定了一切。因此感觉 dify 近期又再火爆了一把，较多人推荐。
图片
其提供了一套产品化的界面和 API。这节省很多重复造轮子的工作，在前期有中台部门搭好体系后，业务团队可以专注在业务需求上。不用一个个框架重新看了。
总结
每个新兴技术的诞生后，都会有新的提效和方法论的工具建设。感觉都和上面四个阶段有雷同的发展模式。
今天做这个粗暴的梳理总结，只是便于自己和大家以后在新一轮来临时，可以更好的寻找新的路径先做出来，了解目前在工具/框架侧的进度。
参考资料
[1]LangChain: https://github.com/langchain-ai/langchain
[2]Semantic Kernel: https://github.com/microsoft/semantic-kernel
[3]LlamaIndex: https://docs.llamaindex.ai/en/stable/
