在AI和机器学习领域,每天都有新技术和框架涌现。今天,我们来聊聊最近引起广泛关注的一个框架 —— Langchain。

d28a6f64299399ba29c0293652101869.png

https://python.langchain.com/docs/get_started/introduction

那么,Langchain到底是什么,它为什么这么受欢迎,以及它是如何工作的呢?

别担心,我会用大白话帮你一步步弄明白!

1、Langchain 简介

想象一下,如果你能让聊天机器人不仅仅回答通用问题,还能从你自己的数据库或文件中提取信息,并根据这些信息执行具体操作,比如发邮件,那会是什么情况?Langchain 正是为了实现这一目标而诞生的。

Langchain 是一个开源框架,它允许开发人员将像 GPT-4 这样的大型语言模型与外部的计算和数据源结合起来。目前,它提供了 Python 和 JavaScript(确切地说是 TypeScript)的软件包。

ef5284013e6a6c04bcc078e4fcb767e2.png

上图展示了Langchain的工作原理,这是一个用于提升大型语言模型(LLMs)功能的框架。

它通过三个核心组件实现增强:

  • 首先是 Compents“组件”,为LLMs提供接口封装、模板提示和信息检索索引;

  • 其次是 Chains“链”,它将不同的组件组合起来解决特定的任务,比如在大量文本中查找信息;

  • 最后是 Agents“代理”,它们使得LLMs能够与外部环境进行交互,例如通过API请求执行操作。

Langchain 的这种结构设计使LLMs不仅能够处理文本,还能够在更广泛的应用环境中进行操作和响应,大大扩展了它们的应用范围和有效性。

如果上面还不够大白话,我的理解 LangChain 就等价于数据库领域的 JDBC

LangChain 和 JDBC 确实有一些相似之处,特别是它们都作为连接和集成不同系统的桥梁。

它们都扮演了一种中介的角色,允许开发者利用特定技术(AI 或数据库)与其他系统或应用进行交互。

00e0212a89bc8ff685398af3fe7affc7.png

2、为什么要用 Langchain?

数据连接:Langchain 允许你将大型语言模型连接到你自己的数据源,比如数据库、PDF文件或其他文档。这意味着你可以使模型从你的私有数据中提取信息。

行动执行:不仅可以提取信息,Langchain 还可以帮助你根据这些信息执行特定操作,如发送邮件。无需硬编码:它提供了灵活的方式来动态生成查询,避免了硬编码的需求。

3、Langchain 核心概念

Langchain 由几个核心概念组成:

LLM Wrappers:这些包装器允许你连接到大型语言模型,如 GPT-4 或 Hugging Face 提供的模型。Prompt Templates:这些模板让你避免硬编码文本输入。你可以动态地将用户输入插入到模板中,并发送给语言模型。Indexes:索引帮助你从语言模型中提取相关信息。Chains:链允许你将多个组件组合在一起,解决特定的任务,并构建完整的语言模型应用程序。Agents:代理允许语言模型与外部API交互。

9b19621e30d2f6e79840bb47c3b5ccfb.png

上图展示了一个复杂的语言处理系统,其中包含模型、提示、链、代理和嵌入与向量存储。

  • 模型 Models 负责理解和生成语言,提示用于引导模型输出;

  • 链条 Chains 代表将多个步骤串联起来完成复杂任务的过程;

  • 代理 Agents 则用于让模型与外部环境互动,比如执行API调用。

  • Embedding 嵌入与向量存储 VectorStore 是数据表示和检索的手段,为模型提供必要的语言理解基础。

图中的鹦鹉是一个比喻或者象征,表示这个系统的自然语言处理能力,或者可能暗示系统的输出可以像鹦鹉一样“复述”或者是“回应”用户的输入。如此,这整个系统构成了一个高度集成的框架,能够处理高级语言任务并在多种环境下进行动态交互。

4、Langchain 如何工作?

Langchain 的工作流程可以概括为以下几个步骤:

提问:用户提出问题。向语言模型查询:问题被转换成向量表示,用于在向量数据库中进行相似性搜索。获取相关信息:从向量数据库中提取相关信息块,并将其输入给语言模型。生成答案或执行操作:语言模型现在拥有了初始问题和相关信息,能够提供答案或执行操作。

7f3489b5e2caa62a43688138b7765e1d.png

举例:如上图所示展示了一个智能问答系统的工作流程,它从用户提出的问题(Question)开始,然后通过相似性搜索(Similarity Search)在一个大型数据库或向量空间中找到与之相关的信息。

得到的信息与原始问题结合后,由一个处理模型分析,以产生一个答案(Answer)。

这个答案接着被用来指导一个代理采取行动(Action),这个代理可能会执行一个API调用或与外部系统交互以完成任务。

整个流程反映了数据驱动的决策过程,其中包含了从信息检索到处理,再到最终行动的自动化步骤。

5、Langchain 应用场景

Langchain 的应用场景非常广泛,包括但不限于:

个人助手:可以帮助预订航班、转账、缴税等。

学习辅助:可以参考整个课程大纲,帮助你更快地学习材料。

数据分析和数据科学:连接到公司的客户数据或市场数据,极大地促进数据分析的进展。

总之,Langchain 打开了一个充满可能性的新世界,让AI技术更加贴近我们的实际需求和数据,使得机器学习应用的发展更加多样化和个性化。

希望这篇文章能帮你对 Langchain 有了更清晰的认识!

下一篇有代码实战,你不妨也过一下哈。欢迎留言交流......

参考

1.https://www.youtube.com/watch?v=lG7Uxts9SXs

2.https://www.youtube.com/watch?v=aywZrzNaKjs

推荐阅读

  1. 全网首发!从 0 到 1 Elasticsearch 8.X 通关视频

  2. 重磅 | 死磕 Elasticsearch 8.X 方法论认知清单

  3. 如何系统的学习 Elasticsearch ?

  4. 2023,做点事

  5. Elasticsearch 8.X “图搜图”实战

9c099f5697139f374f578df2db1a3936.jpeg

更短时间更快习得更多干货!

和全球 近2000+ Elastic 爱好者一起精进!

c39c1190def2d0d679221d42b635dd93.gif

比同事抢先一步学习进阶干货!

Logo

开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!

更多推荐