LangChain

本文主要介绍了对话模型中缓存、HumanInput对话模型、LLMChain、prompts、流的用法，它们的使用方式和LLM类似。

本文是介绍LLMs的第二部分，主要介绍了在LLMs中如何使用缓存、序列化、流和token信息等内容。

本文是LLMs的第一部分，主要介绍了异步API、自定义LLM、FakeLLM和HumanInputLLM。

LangChain集成了LLM和对话模型两类模型，两者上层接口的差别是：LLM是"text in, text out", 而对话模型是"message in, message out"。

本文主要介绍了几种样例选择器的用法和区别，在不同的业务场景，我们可以选择合适的样例选择器来提高少样本prompt的质量。

本文主要介绍了PromptTemplate和FewShotPromptTempalte两种模版的序列化，它们都支持JSON、YAML两种格式。

本文主要介绍了prompt模版的拼装组合，既可以将多个prompt模版进行组合，也可以对单个prompt模版进行拼装。

本文主要是对【LangChain系列】入门文章汇总列出，可以让大家对整个系列文章以及LangChain的整体框架有一个了解，同时也方便大家系统地阅读文章。

本文主要介绍了两种方式实现prompt模版的partial：字符串partial化和方法partial化。

MessagePromptTemplate在对话模型有着非常重要的作用，可以通过它来生成prompt；同时还可以通过MessagesPlaceholder实现占位符功能。

本文主要介绍了 固定少样本prompt模版 和 动态少样本prompt模版 的使用，对于样本很多，或者部分样本治理不高的情况，可以使用 动态少样本prompt模版提高prompt的整体质量。

本文主机介绍了在langchain看如何使用prompt样本集合 prompt样本选择器来构建prompt。

本文介绍了自定义prompt模版的两种方式：字符串prompt模版和对话prompt模版，并基于字符串prompt模版，实现了一个prompt模版：输入一个方法名，输出该方法功能的prompt。

本文主要介绍了可以LangChain中使用特征库，以feast和featureform为例子进行了说明。

本文介绍了Model I/O 中的输入：prompts，主要包括prompt模版和样本选择器两个模块，让我们对这两个模块的功能和使用有了一个基本的概念，后续文章将详细介绍它们的用法与实践。

原文链接：LangChain核心模块简介(二) Memory Agents Callbacks

本文的主要内容是LangChain的核心模块介绍的第一部分，主要包括Model I/O、Retrieval、Chains这三个模块。

本文速读： LangChain是什么 LangChain初探 环境准备 LLMs Prompt Templates Output Parser 第一个LLMChain应用