1. 什么是 LangChain?
LangChain 是围绕 LLM 建立的一个框架，它的核心理念是为 LLM 实现通用的接口，把 LLM 相关的组件“链接”在一起，简化 LLM 应用的开发难度，方便开发者快速地开发复杂的 LLM 应用。LangChain 主要支持 Models、Prompts、Memory、Indexes、Cahins、Agents 六个组件。
2. LangChain 中 Components and Chains 是什么？
Component 是一种模块化的构建块，可以相互组合以构建强大的应用程序。 而 Chain 则是由一系列 Components 或其他 Chains 组合而成的，用于完成特定的任务。
3. LangChain 中 Prompt Templates 是什么？
Prompt Templates 是一种生成 Prompt 的方式，包含一个文本字符串，可以接受来自终端用户的一组参数并生成 Prompt。Prompt Templates可以包含指令、少量示例和一个向语言模型提出的问题。我们可以使用Prompt Templates技术来指导语言模型生成更高质量的文本，从而更好地按照需求完成的任务。
4. LangChain 中 Example Selectors 是什么？
Example Selectors 的主要作用就是从给定的 examples 中选择需要的 examples 出来提供给大模型使用，从而减少会话的token数目。
5. LangChain 中 Output Parsers 是什么？
Output Parsers 模块可以使模型输出的期望的结构化文本，LangChain 中的 output parsers 一共有七个，分别是 List parser、Datetime parser、Enum parser、Pydantic (JSON) parser、Structured output parser、Retry parser、Auto-fixing parser。前四种 parser 用于常见的格式输出转换，Structured output parser 用于多字段输出时使用，最后两种是对于格式转换失败之后的修复措施。
6. LangChain 中 Indexes and Retrievers 是什么？
Indexes 是指为了使LLM与文档更好地进行交互而对其进行结构化的方式。 在链中，索引最常用于“检索”步骤中，该步骤指的是根据用户的查询返回最相关的文档： 索引不仅可用于检索，还可用于其他目的，检索可以使用除索引之外的其他逻辑来查找相关文档。Retrievers 是一个接口，它根据非结构化查询返回文档。它比向量存储更通用。检索器不需要能够存储文档，只需返回（或检索）它。向量存储可以用作检索器的骨干，但也有其他类型的检索器。
7. LangChain 中 Chat Message History 是什么？
Chat Message History 类负责记住所有以前的聊天交互数据，然后可以将这些交互数据传递回模型、汇总或以其他方式组合。 这有助于维护上下文并提高模型对对话的理解。
8. LangChain 中 Agents and Toolkits 是什么？
Agent 是在LangChain 中推动决策制定的实体。 他们可以访问一套工具，并可以根据用户输入决定调用哪个工具。 Tookits 是一组工具，当 Agent 和 Tookits 一起使用时，可以完成特定的任务。Agent 负责使用适当的工具运行代理。
9. 什么是 LangChain Agent?
LangChain Agent 指使用 LangChain 构建的智能体，Agent 核心思想是使用 LLM 作为大脑自动思考，自动决策选择执行不同的动作，最终完成我们的目标任务，例如数据收集、数据处理、决策支持等。 Agent 可以是自主的，具备一定程度的智能和自适应性，以便在不同的情境中执行任务。
11. LangChain 包含哪些特点?
组件化：为使用语言模型提供抽象层，以及每个抽象层的一组实现。组件是模块化且易于使用的，无论开发是否使用LangChain框架的其余部分。 现成的链：结构化的组件集合，用于完成特定的高级任务
12. LangChain 低效的令牌使用问题
Langchain 的一个重要问题是它的令牌计数功能，对于小数据集来说，它的效率很低。虽然一些开发人员选择创建自己的令牌计数函数，但也有其他解决方案可以解决这个问题。
替代解决方案:Tiktoken 是 OpenAI 开发的 Python 库，用于更有效地解决令牌计数问题。它提供了一种简单的方法来计算文本字符串中的令牌，而不需要使用像Langchain这样的框架来完成这项特定任务。
13. LangChain 太多概念容易混淆，过多的“辅助”函数问题
Langchain的代码库因很多概念让人混淆而备受诟病，这使得开发人员很难理解和使用它。这种问题的一个方面是存在大量的“helper”函数，仔细检查就会发现它们本质上是标准Python函数的包装器。开发人员可能更喜欢提供更清晰和直接访问核心功能的框架，而不需要复杂的中间功能。
14. LangChain 行为不一致并且隐藏细节问题
LangChain隐藏重要细节和行为不一致，这可能导致生产系统出现意想不到的问题。例Langchain ConversationRetrievalChain 的一个方面，它涉及到输入问题的重新措辞。这种重复措辞有时会非常广泛，甚至破坏了对话的自然流畅性，使对话脱离了上下文。
15. LangChain 缺乏标准的可互操作数据类型问题
Langchain 缺乏表示数据的标准方法。这种一致性的缺乏可能会阻碍与其他框架和工具的集成，使其难以在更广泛的机器学习工具生态系统中工作。
16. LangChain 有哪些代替方案？
-
LlamaIndex：该框架可以很容易地将大型语言模型连接到自定义数据源。它可用于存储、查询和索引数据，还提供了各种数据可视化和分析工具。
-
Deepset Haystack： 该框架用于使用大型语言模型构建搜索和问答应用程序。它基于Hugging Face Transformers，提供了多种查询和理解文本数据的工具。
