PyTorch / TensorFlow / LangChain / Transformers 有咩分別？

2026-06-04 · AI 基礎 · Eric Cheung

前言：點解咁多 AI 框架？

快速結論（TL;DR）

• PyTorch 同 TensorFlow 係深度學習引擎，主要用嚟由零訓練模型：做研究同 prototyping 揀 PyTorch，要部署到手機或瀏覽器就揀 TensorFlow。
• Hugging Face Transformers 係「模型超市」，一行 code 就可以用到 pre-trained 模型，令 AI 開發民主化。
• LangChain 係 LLM 應用框架，幫你將 LLM 接入數據、API 同工具，用嚟整 RAG、Agent 同 Chain。
• 對大多數開發者嚟講，日常只需要 Hugging Face + LangChain，PyTorch 同 TensorFlow 留返俾真正要由零訓練模型嘅人。

如果你開始接觸 AI 開發，好快就會撞到一大堆名詞：PyTorch、TensorFlow、LangChain、Hugging Face Transformers⋯⋯ 每個都話自己做 AI，但其實佢哋嘅定位好唔同。

簡單嚟講：PyTorch 同 TensorFlow 係「深度學習引擎」，俾你由零訓練 AI 模型；Hugging Face Transformers 係「模型超市」，俾你直接用 pre-trained 模型；而 LangChain 係「AI 應用框架」，幫你將 LLM 接入實際應用。

你唔需要識晒全部，但了解佢哋嘅分別，可以幫你揀啱工具做啱嘅事。

PyTorch — 研究同 prototyping 首選

佢係咩？

PyTorch（Facebook/Meta 開發）係一個開源嘅 Deep Learning 框架，用嚟訓練同運行神經網絡模型。佢係而家學術界同業界最流行嘅深度學習框架。

主要用途

• 訓練 AI 模型 — 由零開始 train 一個圖像辨識、語音辨識、推薦系統模型
• 研究 prototyping — 語法似 NumPy + 自動微分，debug 方便，好適合做研究
• Fine-tuning — 喺 pre-trained model 基礎上做微調（例如 fine-tune BERT for 中文 NER）

點解佢咁受歡迎？

PyTorch 嘅成功在於佢嘅 Eager Execution（即時執行）模式 — 你寫嘅 code 即刻 run，唔使 compile，debug 可以用標準 Python debugger。對比 TensorFlow 初期嘅 graph mode，PyTorch 嘅開發體驗好得多。

另外，Hugging Face Transformers 嘅底層預設用 PyTorch，令 PyTorch 嘅生態更加龐大。

# PyTorch 簡單例子：定義一個神經網絡
import torch
import torch.nn as nn

model = nn.Sequential(
  nn.Linear(784, 256),
  nn.ReLU(),
  nn.Linear(256, 10)
)

# 自動微分 — PyTorch 嘅核心
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x.sum()
y.backward()  # 自動計算 gradient
print(x.grad)  # tensor([1., 1., 1.])

TensorFlow — 工業部署首選

佢係咩？

TensorFlow（Google 開發）係另一個主流 Deep Learning 框架。雖然近年學術界轉向 PyTorch，但 TensorFlow 喺工業級部署方面仍然有獨特優勢。

主要用途

• 生產環境部署 — TensorFlow Serving 可以直接將模型部署做 API
• 手機/邊緣裝置 — TensorFlow Lite 可以將模型壓縮到手機行
• 瀏覽器 AI — TensorFlow.js 可以喺瀏覽器入面行模型
• 大型分散式訓練 — TensorFlow 嘅分散式訓練架構好成熟

PyTorch vs TensorFlow：點揀？

簡單嘅指引：做研究 / 學 AI / prototyping → PyTorch；要部署到手機、瀏覽器或邊緣裝置 → TensorFlow。不過近年 PyTorch 嘅部署工具（TorchScript、ONNX）都越嚟越成熟，兩者嘅差距越嚟越細。

現實：而家大多數人（包括我）都唔會由零 train 一個 model。多數係用 pre-trained model 去做 fine-tune 或者直接做 inference。呢個時候，你根本唔需要直接掂 PyTorch 或 TensorFlow — Hugging Face 幫你搞掂晒。

Hugging Face Transformers — 模型超市

佢係咩？

Hugging Face Transformers 係一個開源 Library，提供大量 pre-trained 模型嘅接口。你可以當佢係「AI 模型嘅 App Store」— 想用 BERT、GPT、LLaMA、Stable Diffusion？一行 code 就 load 到。

主要用途

• Text Classification — 情感分析、垃圾郵件偵測、分類標籤
• Named Entity Recognition (NER) — 從文章中抽出人名、地名、公司名
• Question Answering — 問答系統（畀一段文章，問 AI 問題）
• Text Generation — 用 GPT/LLaMA 做文章生成
• Translation / Summarization — 翻譯同摘要
• Image / Audio — Transformers 都支援 Vision 同 Audio 模型

點解咁重要？

Transformers 令 AI 開發民主化。以前你要 train 一個 BERT 模型，需要大量 GPU 同數據，仲要寫幾百行 PyTorch code。而家用 Hugging Face：

# Hugging Face Transformers — 一行 code 用到 BERT
from transformers import pipeline

# 情感分析 — 唔使自己 train
classifier = pipeline("sentiment-analysis")
result = classifier("I love this product!")
print(result)  # [{"label": "POSITIVE", "score": 0.999}]

# 換模型？改個名就得
classifier = pipeline("sentiment-analysis",
    model="distilbert-base-uncased-finetuned-sst-2-english")

仲有 Hugging Face Hub（Hugging Face 嘅模型平台）上面有超過 50 萬個模型，全部都係 open source，一鍵下載即用。

LangChain — LLM 應用開發框架

佢係咩？

LangChain 係一個用嚟開發 LLM 應用嘅框架。佢解決嘅問題係：點樣將 LLM（如 GPT-4、Claude）接入你嘅數據、API 同工具，建立真正有用嘅 AI 應用。

主要用途

• RAG（Retrieval-Augmented Generation） — 將公司文件/數據庫接入 LLM，令 AI 可以根據你嘅資料回答問題
• Agent / Tool Use — 令 LLM 可以自動 call API、查 database、操控工具
• Chain — 將多個 LLM call 串連成一個 Pipeline（例如：翻譯 → 摘要 → 翻譯返原文）
• Memory — 為 LLM 添加對話記憶，支援跨輪對話
• Prompt Management — 管理同版本控制 prompt template

LangChain 嘅定位

LangChain 同 PyTorch / TensorFlow 唔係競爭關係，而係上層框架。LangChain 底層用嘅 LLM（例如 GPT-4、Claude、LLaMA）本身就係用 PyTorch 或者 TensorFlow train 出嚟嘅。LangChain 唔關心個模型點 train，佢關心嘅係點樣用好呢啲模型。

# LangChain 簡單例子：RAG 問答
from langchain.chains import RetrievalQA
from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI, OpenAIEmbeddings

# 將文件變成向量儲存
vectorstore = Chroma.from_documents(
    documents=your_documents,
    embedding=OpenAIEmbeddings()
)

# 建立 RAG Chain
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4"),
    retriever=vectorstore.as_retriever()
)

# 問問題 — AI 會根據你嘅文件回答
answer = qa_chain.invoke("我哋公司嘅退款政策係咩？")

四大框架關係圖

用一個比喻嚟理解佢哋嘅關係：

• PyTorch / TensorFlow = 引擎（Engine）— 訓練同運行 AI 模型嘅底層工具
• Hugging Face Transformers = 預裝引擎嘅車（Pre-built Vehicle）— 直接用 pre-trained 模型，唔使自己由零整
• LangChain = 導航系統 + 機械臂（Navigation + Tools）— 控制架車去邊同做咩

你唔一定需要全部掌握。事實上，大多數 AI 開發者嘅日常工作只需要 Hugging Face + LangChain。PyTorch 同 TensorFlow 留俾需要由零訓練模型嘅研究人員同 ML Engineer。

常見問題 FAQ

Q：我需要學邊個？

如果係 AI 應用開發（例如用 LLM 做 chatbot、RAG、Agent），學 LangChain + Hugging Face 就夠。如果想深入研究模型訓練或者做 ML 研究，先學 PyTorch。TensorFlow 除非你特別需要部署到手機/瀏覽器。

Q：LangChain 同 Hugging Face 有咩分別？

Hugging Face 俾你「用模型」，LangChain 俾你「用 LLM 嚟建立應用」。你可以兩個一齊用 — 用 Hugging Face load 模型，然後用 LangChain 將模型接入 RAG pipeline。

Q：我係唔係需要由零 train 一個 model？

絕大多數情況下 唔需要。除非你做緊好 niche 嘅 task（例如識別某種稀有疾病嘅醫學影像），否則 Hugging Face Hub 上面已經有 pre-trained model 可以用。你需要嘅係 fine-tune 同 integrate，唔係由零訓練。

總結

四大框架各有定位，唔係鬥邊個好啲，而係用啱嘅工具做啱嘅事：

• PyTorch — 深度學習訓練用，研究同 prototyping 首選
• TensorFlow — 工業級部署用，手機/邊緣裝置有優勢
• Hugging Face Transformers — pre-trained 模型超市，一行 code 用到頂尖模型
• LangChain — LLM 應用框架，幫你將 AI 接入真實數據同工具

記住：你唔使全部都識。由 Hugging Face 開始玩下，然後根據需要學 LangChain 做應用，呢條路對大多數開發者嚟講已經好夠用。至於 PyTorch 同 TensorFlow — 等你真係需要自己 train 模型嗰陣先學都未遲。