AI大模型应用开发教程

本文实际操作了LangSmith平台的数据集与测试评估的部分：从数据集的创建到建立自己的评估标准，再到实际运行一个测试，得到测试结果。

今天介绍一个AI生产力工具：LangSmith。本篇文章主要在Tracing部分的实操，包括环境准备、如何将你的LangChain程序和LangSimth平台打通，如何使用LangSimth调试

通过一个例子带大家看了下LangServe的使用方法。它其实就是将LangChain程序制作成了一个 FastAPI 服务，方便部署和发布。重点在 `add_routes` 函数。

程序监控、日志、token计数，LangChain提供了一个回调系统，允许您挂接到LLM应用程序的各个阶段。这个模块是调试和监控程序的重要手段。

本文我们来学习下LangChain中的智能体模块怎么用。 LangChain的智能体Agents模块实战，一步步拆解实现步骤。

今天这篇文章我们来学习一下LangChain中的核心思想，也可以说是最核心的价值所在：Chain模块和LCEL语言。 Chain（链）应该是LangChain的核心思想和价值了。 Chain（链）指的

本文我们学习了 LangChain 的 Memory 记忆模块，可以看到它里面封装了很多的记忆类型，在项目中可以按需选用。但是也应该认识到，目前LangChain的记忆模块还不成熟，是测试版本。

本文学习 LangChain 中的 数据连接（Retrieval） 模块。该模块提供文档加载、切分，向量存储、检索等操作的封装。最后，结合RAG基本流程、LangChain Prompt模板和输入输出

LangChain的输入输出模块的封装，包括Prompt模板、大模型接口、输出解析器的封装。本文带你全面学习这些模块，通过介绍+实战，对这些模块的用法和作用有深刻的认识。

LangChain是一个面向大模型的开发框架（SDK）。本文对 LangChain 系列开个头，介绍了其架构，并用LangChain写了第一个程序。

前面我们实现了RAG基本流程，今天我们在此基础上给它加个UI界面，在浏览器打开，实现上传本地文件、解析，并用大模型实现与该文档的对话。也就是一个阉割版demo版的ChatPDF或知识库对话系统。

本文介绍下文本向量化的概念，以及向量检索的原理，还有用Python代码实现文本向量的获取和相似度计算。只是简单介绍，不会深入，所以不用担心看不懂。

大模型也不是万能的，也有局限性。RAG是提高大模型在垂直领域能力和减少幻觉的通用方法论，非常重要和有用。本文带你动手实现一个最简单的RAG应用，你将学会一个标准RAG的通用流程和原理。

我算是对数据库的SQL语句很不熟悉，只会简单的单表操作，还不熟练，每次都得查半天。现在有了大模型应用，有了Function Calling，再也不用查半天资料才写一个SQL了，还能熟练地用多表查询了！

Function Calling是大模型连接外部世界的通道，目前表现形式有Actions、插件、GPTs、Tools工具集等。本文带你看下Funtion Calling是什么，以及如何与大模型进行交互

本文主要介绍了Prompt攻击和防攻击的手段，这对于大模型应用开发非常重要，毕竟谁也不想自己辛辛苦苦做的东西被拿来干坏事或者隐私遭到泄漏，这对一个应用来说是致命性的。然后介绍了下Prompt逆向工程

通过上两篇文章我们学习和实践了Prompt的书写要素、原则与技巧，以及了解了一些进阶的优化方法。 今天是想收集一些网上比较好的Prompt提示词，来与大家共同学习下别人的书写方式，吸取别人的经验

实战Prompt，通过OpenAI API，带你从最简单的Prompt开始，逐步迭代优化。总结了Prompt工程中的进阶技巧方法论。最后给了几个可以让Prompt效果翻倍的语句。

从这篇文章开始，我们就正式开始学习AI大模型应用开发的相关知识了。首先是提示词工程（Prompt Engineering）。

AI大模型时代下，我们也要学点大模型知识了。前面我们简单实现了将GPT接入微信公众号：，算是已经用过一点AI的知识了，浅尝辄止。本文作为后续AI大模型学习的开篇，立个Flag，并先用OpenAI AP