机器学习
scikit-learn 是 Python 最成熟的机器学习库，提供监督学习、无监督学习、模型选择与评估的完整工具链，所有算法遵循统一的 fit/predict/transform 接口。 与其他框架的对比： 适合场景：结构化（表格）数据的分类、回归、聚类；需要快速建立 baseline；特征工程 Pipeline 构建；模型选择与超参调优。 不适合场景：图像/音频/文本深度学习（用 PyTorch完全指南(/pytorchwan-quan-zhi-nan/) 或 HuggingFace Transformers完全指南(/huggingface-tra
机器学习
LangChain 是构建 LLM 应用的开源框架，核心价值在于：提供统一抽象层连接各家 LLM API，并通过 LCEL（LangChain Expression Language）将提示词、模型、解析器、记忆、检索器等组件像搭积木一样组合成链（Chain）。 对比主要替代方案： 适合场景：RAG（检索增强生成）应用、多步骤 Agent、LLM 应用原型快速验证、需要接入多种模型提供商并保持可替换性。不适合场景：只需一次 LLM 调用的简单场景（直接用 SDK 更轻量）、需要精细状态管理的复杂 Agent（用 LangGraph）。 LangChain
机器学习
HuggingFace Transformers 是目前最主流的预训练模型工具库，提供数千个在 Hugging Face Hub 上发布的预训练模型，覆盖 NLP、计算机视觉、语音、多模态等任务。它的核心价值在于：一套统一 API 驯服从 BERT 到 LLaMA 的所有主流架构，无需了解每种架构的内部细节。 对比主要替代方案： 适合场景：需要在本地运行开源模型（Llama、Mistral、Qwen）、Fine-tuning 已有模型、使用 BERT 类模型做文本分类 / NER / 问答。不适合场景：只需调用 GPT-4 等闭源 API（用 OpenA