AI大模型时代已经开始显露出颠覆传统开发范式的趋势，新的应用开发模式正在逐渐显现。LangChain是一个可以用Javascript来进行开发的大模型应用开发框架，它本质上也提供了一种用大模型来进行应用开发的成熟的技术路线/框架。本期节目详细讲解了这个成熟的技术路线是怎么利用大模型来进行应用的。

什么是LangChain？

LangChain本身是一个开源开发框架，目前提供Python和Js两种版本，它以大模型作为其核心依赖之一，以让实现应用目标更便捷

LangChain的核心理念：

• 数据感知：将语言模型与其他数据源连接在一起

• 主动性：允许语言模型与其环境进行交互

• 链性：应用模块/组件之间以链的形式组合在一起

LangChain框架本身实现了很多组件
LangChain的诞生，实际上出现了一种架构，提供了一种利用GPT进行应用开发的成熟技术路线，这种架构的核心思想就是Chain（链）

Chain的思路，对实现某种流程非常有帮助，而很多企业应用，都是流程式的应用。Chain的概念的本质，就是一种处理流程模型，也就是把要做成功一件事，应该按照什么流程才能成功进行了抽象。它比某种具体的模型层次更高，不同的业务模型都可以借助相同的Chain实现目标，Chain是对流程范式的抽象。Chain也有多种，比如串行链、并行链、路由链。

它背后的思想其实也是我们做事的方法，就是我把一个复杂的大目标，拆分成多个阶段的任务，不断拆分子任务，通过按照顺序完成小任务之后，不断积累，最终完成整个目标

LangChain应用的模块/要素

• Chains，链

  • Executors，执行器

• Model I/O，模型

  • Prompt，提示

    • PromptTemplate

    • Example Selectors

  • Chat Models

  • LLMs

  • Output parsers

• Retrieval，数据检索

  • Document loaders，文档加载

  • Document transformers，文档转化

  • Text embedding models，文本嵌入模型

  • Vector Stores，向量存储器

  • Retrievers，检索器

  • Indexing，索引

• Agents，代理

  • Tools, Toolkits

• Memory，内存，

  • Chat Message，聊天记录

LangChain应用架构

LangChain的应用方向

RAG（Retrieval Augmented Generation，检索增强生成），基于LangChain+检索来实现内容生成的应用技术

• RAG Search

• 企业知识库

• 垂直行业信息咨询

• 智能聊天机器人（客服）

• 摘要

Agents，reasoning engines 推理引擎，基于 LLMs 的理解任务、拆解任务、执行任务的集合，换一个理解就是基于大模型的自动化，核心点在于：1. 通过大模型来理解任务、拆分任务和执行任务的方式，把大模型作为该目标的“打工人”；2. 可以通过执行器（Executor）反复调用工具（Tool）API完成任务目标，也就是为“打工人”提供生产资料

• 角色扮演：法律助手、订票助手、行业专家

• 数据处理：数据整理、分析、报表制作、报告制作、告警

• 编程、程序制作、网站开发，测试、调试、自动修复bug

• 电影制作

• 行业调研、商业决策

本质上，RAG其实是Agents的一种简化特例，即Agents的理解、拆解部分可按照RAG的架构实现

LangChain有哪些应用产品

• AutoGP

• BabyAGI

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】