Lesson 01 练习 — LCEL 与框架全景

动手做才能真懂。以下练习围绕本课代码，建议每题都跑一遍验证。

练习 1：换问题，对比手写版答案（10 分钟）

把 code.py 里 QUESTIONS 换成 3 个新问题，至少包含： - 一个文档里有明确答案的（如"加班工资怎么算？"——注意：当前 KNOWLEDGE 里没有加班相关，应该回答"我不知道"） - 一个需要综合多条的（如"年假和病假各有什么要求？"）

跑 code.py，再跑一遍 lessons/01_getting_started/code.py（改同样的问题）。

观察： - 两个版本答案是否一致？（应该接近，因为用的是同一份知识 + 同样的防幻觉 prompt） - 哪个版本你改起来更快？

练习 2：理解数据流（关键概念）

在 build_rag_chain 里，链是：

{"context": retriever | format_docs, "question": RunnablePassthrough()}
| prompt | llm | parser

回答以下问题（这是面试常考的 LCEL 理解）：

retriever 的输入是什么类型？输出是什么类型？
format_docs 收到的是什么？返回什么？
如果把 RunnablePassthrough() 换成 "固定问题"（一个字符串常量），会发生什么？
为什么需要 RunnablePassthrough()？删掉它会怎样？（提示：prompt 的 {question} 从哪来？）

把答案写在你的笔记里。理解这条链的数据流 = 理解 LCEL 的 80%。

练习 3：观察 stream vs invoke 的差别（5 分钟）

在 demo_stream 里加一行，统计流式输出从开始到收到第一个 chunk 的耗时，和总耗时。

提示（用 time 模块）：

import time
t0 = time.time()
first_chunk_time = None
for chunk in chain.stream(question):
    if first_chunk_time is None:
        first_chunk_time = time.time() - t0
        print(f"\n[首字耗时 {first_chunk_time:.2f}s]")
    ...
print(f"[总耗时 {time.time()-t0:.2f}s]")

思考：为什么"首字耗时"对用户体验很重要？这就是为什么很多产品坚持用流式。

练习 4：把 TOP_K 从 5 改成 2（5 分钟）

在 build_components 里把 search_kwargs={"k": TOP_K} 的 k 改成 2，重跑。

观察： - 答案质量有变化吗？ - 对比你在 RAG L03 学的"Top-K 的 K 怎么选"，框架有没有改变这个原理？

答案应该是：原理没变，框架只是让调参数更方便了。这正是本课的核心认知。

思考题（不写代码）

为什么要 langchain-core 单独抽出来？ 提示：想象一下，如果 LangChain 要支持别的语言/生态，接口抽象层需不需要独立。
langchain-community 被 sunset 这件事，对你选框架有什么启示？ 提示：依赖一个快速变动的框架，意味着什么成本？
什么时候你会选择手写而不是用 LCEL？ 想一个具体场景。

完成标志

[ ] 能口述 LCEL 链的数据流（练习 2 的 4 个问题）
[ ] 能说出 langchain-core / langchain / langchain-community 的分工
[ ] 跑通了 invoke / stream / batch 三种调用
[ ] 理解"框架封装原理但不改变原理"这句话

下一课 L02 我们深入三件套：Models + Prompts + Output Parsers。