基于LangChain的LLM应用开发

像chatgpt这样的大语言模型（LLM）可以回答很多类型的问题，但是，如果只依赖LLM，它只知道训练过的内容。本次我们会基于RAG的原理，通过LangChain来实现与pdf文档对话。

我们今天会深入了解什么是代理，如何创建和使用代理，如何使用不同类型的LangChain内置工具：数学工具、维基百科工具、搜索引擎等，当内置的工具不能满足时，如何创建自己的工具。

在本篇中，我们会讨论如何评估基于LLM的应用程序，同时介绍一些帮助评估的工具，最后还介绍了开发中的评估平台。

大语言模型里面的数据是相对“静止”的，如何让大语言模型跟最新的、完全没训练过的数据结合，装上梦想的翅膀，是基于大语言模型开发的常见问题。文档问答系统是一种常见的用LLM构建的复杂应用程序。

在LangChain中，chain（链）是最关键的构建模块，可以被视为 LangChain 中的一种基本功能单元。

现在的大语言模型都是没有记忆的，都是无状态的，大语言模型自身不会记住和你对话之间的历史消息。根本用不着“时时勤拂拭”，天然就是“本来无一物”。每一次的请求交互、api调用都是独立的，完全没有关联。

本次会讲解LangChain的三个基本组件：模型、提示和解析器。通过提示来让模型按要求工作，再用解析器来解析模型的输出。

这是基于LangChain的大语言模型应用开发系列的第一篇内容，简单介绍LangChain的各个组件。