LangChain?是什么
首先?LangChain?是一個(gè)框架，這個(gè)框架是用來(lái)讓開發(fā)者進(jìn)行?LLMs?（大語(yǔ)言模型）應(yīng)用開發(fā)的。
可以理解是為各種?LLM?開發(fā)的腳手架，將?LLM?的各個(gè)組件進(jìn)行封裝和鏈接。把?LLMs?相關(guān)的組件“鏈接”在一起，簡(jiǎn)化?LLMs?應(yīng)用的開發(fā)難度，方便開發(fā)者快速地開發(fā)復(fù)雜的?LLMs?應(yīng)用。
舉一個(gè)不是很恰當(dāng)?shù)睦踝?，?Java?工程師的角度來(lái)看?LangChain?更像是?Spring?或者?SpringBoot?這種框架，幫助開發(fā)人員更快的進(jìn)行應(yīng)用開發(fā)。
LangChain?框架組件
Models（I/O）：各種類型的模型集成。
Outline概要
? ? · Prompts：模板化、動(dòng)態(tài)選擇和管理模型輸入
? ? · Language models：通過(guò)通用接口調(diào)用語(yǔ)言模型
? ? · Output parsers：從模型輸出中提取信息
Prompts組件：包含Prompt templates和Example selectors。
Prompt templates：
? ·? ?對(duì)語(yǔ)言模型的指令
? ·? ?一組幾個(gè)鏡頭示例來(lái)幫助語(yǔ)言模型生成更好的響應(yīng)
? ·? ?對(duì)語(yǔ)言模型的一個(gè)問(wèn)題
分別舉例：TemplateFormat、MessageTemplate、FewShotPromptTemplate、Example selectors
TemplateFormat：
MessageTemplate：
FewShotPromptTemplate：
Example selectors：
Language models:
? ·? ?LLMs
? ·? ?Chat models
LLMs：采用文本字符串作為輸入并返回文本字符串的模型。
gpt-3.5-turbo：
Streaming：
Chat models：聊天模型是語(yǔ)言模型的變體。
Caching：
outputparser
? ·? ?獲取格式指令
? ·? ?解析
? ·? ?帶有提示的解析
分別舉例：DateTimeParser、EnumParser、ListParser、OutputParser
DateTimeParser：
EnumParser：
ListParser：
OutputParser：
Memory：記憶涉及在用戶與語(yǔ)言模型的交互過(guò)程中保留狀態(tài)概念。用戶與語(yǔ)言模型的交互是在 ChatMessages 的概念中捕獲的，因此這可以歸結(jié)為從一系列聊天消息中攝取、捕獲、轉(zhuǎn)換和提取知識(shí)。一般來(lái)說(shuō)，對(duì)于每種類型的記憶，都有兩種理解使用記憶的方法。這些是從一系列消息中提取信息的獨(dú)立函數(shù)，然后您可以通過(guò)一種方式在鏈中使用這種類型的內(nèi)存。內(nèi)存可以返回多條信息（例如，最近的 N 條消息和所有先前消息的摘要）。
Outline概要
? ? · ConversationBufferMemory
? ? · ConversationBufferWindowMemory
? ? · ConversationTokenBufferMemory
? ? ·?ConversationSummaryMemory
ConversationBufferMemory：
ConversationBufferWindowMemory：
ConversationTokenBufferMemory：
ConversationSummaryMemory：
Chains：
Outline概要
? ? · LLMChain
? ? · SequentialChain
? ? ? ? ? ? ? ?· SimpleSequentialChain
? ? ? ? ? ? ? ?· SequentialChain
? ? · RouterChain
LLMChain：
SimpleSequentialChain：一般序列鏈可以將前一個(gè)鏈的輸出結(jié)果，作為后一個(gè)鏈的輸入。一般序列鏈有唯一輸入和輸出變量。
SequentialChain：序列鏈中包含多個(gè)鏈，其中一些鏈的結(jié)果可以作為另一個(gè)鏈的輸入。序列鏈可以支持多個(gè)輸入和輸出變量。
RouterChain：路由鏈類似一個(gè)while else的函數(shù)，根據(jù)輸入值，選擇對(duì)應(yīng)的路由（路徑）進(jìn)行后續(xù)的鏈路。整個(gè)路由鏈一般一個(gè)輸入，一個(gè)輸出。
Agents：某些應(yīng)用程序需要根據(jù)用戶輸入對(duì) LLM 和其他工具進(jìn)行靈活的調(diào)用鏈。代理接口為此類應(yīng)用程序提供了靈活性。代理可以訪問(wèn)一套工具，并根據(jù)用戶輸入確定使用哪些工具。代理可以使用多種工具，并使用一個(gè)工具的輸出作為下一個(gè)工具的輸入。
Outline概要
? ? ·?動(dòng)作代理：在每個(gè)時(shí)間步，使用所有先前動(dòng)作的輸出來(lái)決定下一個(gè)動(dòng)作
? ? ·?計(jì)劃并執(zhí)行代理：預(yù)先決定完整的操作順序，然后執(zhí)行所有操作而不更新計(jì)劃
分別舉例：MathAndWikiAgent、PythonREPLAgent、MultiFunctionsAgent
MathAndWikiAgent：
PythonREPLAgent：
MultiFunctionsAgent：
索引（index）：索引是指以最佳方式對(duì)文檔進(jìn)行結(jié)構(gòu)化，以便語(yǔ)言模型（LLMs）能夠與其進(jìn)行最佳交互。這個(gè)模塊包含了處
理文檔的實(shí)用函數(shù)。
Outline概要
? ? ·?嵌入（Embeddings）：嵌入是對(duì)信息（例如文本、文檔、圖像、音頻等）的數(shù)值表示。通過(guò)嵌入，可以將信息轉(zhuǎn)換為向量形式，以便計(jì)算機(jī)能夠更好地理解和處理。
? ? ·?文本拆分器（Text Splitters）：當(dāng)需要處理較長(zhǎng)的文本時(shí)，有必要將文本分割成多個(gè)塊。文本拆分器是用于將長(zhǎng)文本分割成更小片段的工具。
? ? ·?向量數(shù)據(jù)庫(kù)（Vectorstores）：向量數(shù)據(jù)庫(kù)存儲(chǔ)和索引來(lái)自自然語(yǔ)言處理模型的向量嵌入，用于理解文本字符串、句子和整個(gè)文檔的含義和上下文，從而獲得更準(zhǔn)確和相關(guān)的搜索結(jié)果。請(qǐng)參閱可用的向量數(shù)據(jù)庫(kù)。
代碼示例如下：
應(yīng)用實(shí)例langchain-chatglm-6B流程圖如下：
evaluation：
Outline概要
? ? ·?示例生成：Example generation
? ? ·?手動(dòng)評(píng)估（和調(diào)試）：Manual evaluation (and debugging)
? ? ·?LLM輔助評(píng)估：LLM-assisted evaluation
Example generation：
Manual evaluation (and debugging)：
LLM-assisted evaluation：
開源項(xiàng)目:
最近開源的新作品，主要目標(biāo)是想通過(guò)自然語(yǔ)言操作數(shù)據(jù)庫(kù)替換傳統(tǒng)企業(yè)管理后臺(tái)web，有興趣的同學(xué)歡迎加入開源，覺(jué)得不錯(cuò)的可以點(diǎn)個(gè)小??，感謝大家～
項(xiàng)目地址如下:
https://github.com/sql-agi/DB-GPT
作者簡(jiǎn)介：
AI_皮皮蝦、卷過(guò)大廠、貢獻(xiàn)過(guò)開源、參與多次大模型比賽并??多次參加AIGC交流會(huì)（微軟AIGC等）、一直走在AIGC最前沿！
