LangChain

在LangChain中，Callback 是一种非常重要的机制，它允许用户监听和处理在执行链式任务 (Chain) 过程中的各种事件。这包括但不限于开始执行、结束执行、异常处理等。

LangChain 提供了一系列实用工具，用于在基于大型语言模型（LLM）的应用程序中添加记忆功能。记忆系统的核心是能够读取和写入信息，这样系统就可以在对话中引用之前的交互内容

LangChain 的 Chains 模块是一系列调用的序列，可以涉及 LLM（大型语言模型）、工具或数据预处理步骤

LangChain 的代理（Agents）模块允许开发者使用语言模型作为推理引擎，以动态确定执行的一系列动作，而不是硬编码这些动作。

介绍了 LangChain 中的工具（Tools）模块，它是让代理、链或大型语言模型（LLM）与外界交互的接口。工具包括名称、描述、JSON 输入模式、调用的函数以及是否直接向用户返回结果。

在 LangChain 文档中，检索器（Retrievers）被定义为一个接口，它可以接受一个字符串查询（query）作为输入，并输出一系列文档（Document）。

详细说明了向量数据库在处理非结构化数据时的作用，即通过将文本数据嵌入到向量空间并利用向量数据库进行存储和搜索，以便在查询时能够快速找到与查询最相似的嵌入向量。

Embeddings 类为各种文本嵌入模型提供商提供了一个统一的接口，简化了模型的使用。 文本嵌入模型将文本转换为向量形式，便于在向量空间中进行操作，如语义搜索和相似度计算。

主要介绍了 LangChain 中的文本分割器，包括各种分割方法、分割器的类别、分割依据以及是否添加元数据等功能。

本文介绍了如何在 LangChain 中编写自定义文档加载和文件解析逻辑。加载文本、加载视频、加载图片...让LLM更智能

在大模型开发中，Retrieval（检索）通常指的是从一个大型知识库或语料库中查找与当前任务相关的信息或数据的过程。

输出解析器是LangChain的一个关键组件，它们的作用是将模型生成的文本输出转换成结构化的数据，以便更容易地使用和分析。 简单来说就是：模型输出------>结构化数据。 如果你正在从事或者你正

在大模型工程中，“Prompt”（提示）扮演着核心角色，它是与大型语言模型交互时使用的输入文本，旨在引导模型产生预期的响应或执行特定任务。

本文是关于 LangChain 中 Chat Model 组件的详细解析，介绍了 Chat Model 组件是什么，与 LLM 组件有什么不同，以及如何使用 Chat Model。

LangChain进阶系列教程第一篇，主要是对Model I/O中的LLM组件的详细解析，欢迎阅读~

一篇文章带你了解LangChain中的LCEL表达式介绍、使用、进阶。如何结合RAG使用，文章有内容，有Demo，欢迎斧正~

介绍LangChain中Agent的基本使用。所谓Agent就是将选择权交给llm本身，让llm根据用户意图去回答问题。

基于LangChain设计一个带历史对话的聊天机器人。此功能适用于智能客服等场景，有需要的可以基于此简单示例做修改。

LangChain中的Retrieval Chain介绍以及基本使用，通过一个小示例跑通整个流程，具体可以看文章详细内容

LangChain基本使用，LLMChain的基本用法，帮助读者快速入门LangChain，上手LangChain开发。