LangChain组件图

LangChain 是什么

首先 LangChain 是一个框架，这个框架是用来让开发者进行 LLMs （大语言模型）应用开发的。

可以理解是为各种 LLM 开发的脚手架，将 LLM 的各个组件进行封装和链接。把 LLMs 相关的组件“链接”在一起，简化 LLMs 应用的开发难度，方便开发者快速地开发复杂的 LLMs 应用。

举一个不是很恰当的栗子，从 Java 工程师的角度来看 LangChain 更像是 Spring 或者 SpringBoot 这种框架，帮助开发人员更快的进行应用开发。

LangChain 框架组件

=================

Models（I/O）：各种类型的模型集成。

Outline概要

· Prompts：模板化、动态选择和管理模型输入

· Language models：通过通用接口调用语言模型

· Output parsers：从模型输出中提取信息

Models（I/O）

Prompts组件：包含Prompt templates和Example selectors。

Prompts

Prompt templates：

· 对语言模型的指令

· 一组几个镜头示例来帮助语言模型生成更好的响应

· 对语言模型的一个问题

分别举例：TemplateFormat、MessageTemplate、FewShotPromptTemplate、Example selectors

TemplateFormat：

TemplateFormat

MessageTemplate：

MessageTemplate

FewShotPromptTemplate：

FewShotPromptTemplate

Example selectors：

Example selectors

Language models:

· LLMs

· Chat models

LLMs：采用文本字符串作为输入并返回文本字符串的模型。

gpt-3.5-turbo：

gpt-3.5-turbo

Streaming：

Streaming

Chat models：聊天模型是语言模型的变体。

Caching：

Caching

outputparser

· 获取格式指令

· 解析

· 带有提示的解析

分别举例：DateTimeParser、EnumParser、ListParser、OutputParser

DateTimeParser：

DateTimeParser

EnumParser：

EnumParser

ListParser：

ListParser

OutputParser：

OutputParser

Memory：记忆涉及在用户与语言模型的交互过程中保留状态概念。用户与语言模型的交互是在 ChatMessages 的概念中捕获的，因此这可以归结为从一系列聊天消息中摄取、捕获、转换和提取知识。一般来说，对于每种类型的记忆，都有两种理解使用记忆的方法。这些是从一系列消息中提取信息的独立函数，然后您可以通过一种方式在链中使用这种类型的内存。内存可以返回多条信息（例如，最近的 N 条消息和所有先前消息的摘要）。

Memory

Outline概要

---

· ConversationBufferMemory

· ConversationBufferWindowMemory

· ConversationTokenBufferMemory

· ConversationSummaryMemory

ConversationBufferMemory：

ConversationBufferMemory

ConversationBufferWindowMemory：

ConversationBufferWindowMemory

ConversationTokenBufferMemory：

ConversationTokenBufferMemory

ConversationSummaryMemory：

ConversationSummaryMemory

Chains：

Chains

Outline概要

· LLMChain

· SequentialChain

· SimpleSequentialChain

· SequentialChain

· RouterChain

LLMChain：

LLMChain

SimpleSequentialChain：一般序列链可以将前一个链的输出结果，作为后一个链的输入。一般序列链有唯一输入和输出变量。

SimpleSequentialChain

SequentialChain：序列链中包含多个链，其中一些链的结果可以作为另一个链的输入。序列链可以支持多个输入和输出变量。

SequentialChain流程图

SequentialChain

RouterChain：路由链类似一个while else的函数，根据输入值，选择对应的路由（路径）进行后续的链路。整个路由链一般一个输入，一个输出。

RouterChain流程图

RouterChain（1）

RouterChain（2）

Agents：某些应用程序需要根据用户输入对 LLM 和其他工具进行灵活的调用链。代理接口为此类应用程序提供了灵活性。代理可以访问一套工具，并根据用户输入确定使用哪些工具。代理可以使用多种工具，并使用一个工具的输出作为下一个工具的输入。

Agents

Outline概要

· 动作代理：在每个时间步，使用所有先前动作的输出来决定下一个动作

· 计划并执行代理：预先决定完整的操作顺序，然后执行所有操作而不更新计划

分别举例：MathAndWikiAgent、PythonREPLAgent、MultiFunctionsAgent

MathAndWikiAgent：

MathAndWikiAgent

PythonREPLAgent：

PythonREPLAgent

MultiFunctionsAgent：

MultiFunctionsAgent

索引（index）：索引是指以最佳方式对文档进行结构化，以便语言模型（LLMs）能够与其进行最佳交互。这个模块包含了处

理文档的实用函数。

索引（index）

Outline概要

· 嵌入（Embeddings）：嵌入是对信息（例如文本、文档、图像、音频等）的数值表示。通过嵌入，可以将信息转换为向量形式，以便计算机能够更好地理解和处理。

· 文本拆分器（Text Splitters）：当需要处理较长的文本时，有必要将文本分割成多个块。文本拆分器是用于将长文本分割成更小片段的工具。

· 向量数据库（Vectorstores）：向量数据库存储和索引来自自然语言处理模型的向量嵌入，用于理解文本字符串、句子和整个文档的含义和上下文，从而获得更准确和相关的搜索结果。请参阅可用的向量数据库。

代码示例如下：

index

应用实例langchain-chatglm-6B流程图如下：

langchain-chatglm-6B（1）

langchain-chatglm-6B（2）

evaluation：

Outline概要

· 示例生成：Example generation

· 手动评估（和调试）：Manual evaluation (and debugging)

· LLM辅助评估：LLM-assisted evaluation

Example generation：

Example generation（1）

Example generation（2）

Manual evaluation (and debugging)：

Manual evaluation (and debugging)

LLM-assisted evaluation：

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓