LangChain
LangChain是一个基于大语言模型（LLMs）用于构建端到端语言模型应用的框架，它可以让开发者使用语言模型来实现各种复杂的任务，例如文本到图像的生成、文档问答、聊天机器人等。具备以下两个特性：
- 数据感知： 能够将语言模型与其他数据源连接起来，从而实现对更丰富、更多样化数据的理解和利用。
- 具有代理性： 能够让语言模型与其环境进行交互，使得模型能够对其环境有更深入的理解，并能够进行有效的响应。
LangChain中的具体组件包括：
- 模型（Models） ，包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。
- 提示模板（Prompts） ，使提示工程流线化，进一步激发大语言模型的潜力。
- 数据检索（Indexes） ，构建并操作文档的方法，接受用户的查询并返回最相关的文档，轻松搭建本地知识库。
- 记忆（Memory） ，通过短时记忆和长时记忆，在对话过程中存储和检索数据，让ChatBot记住你是谁。
- 链（Chains） ，是LangChain中的核心机制，以特定方式封装各种功能，并通过一系列的组合，自动而灵活地完成常见用例。
- 代理（Agents） ，是另一个LangChain中的核心机制，通过“代理”让大模型自主调用外部工具和内部工具，使强大的“智能化”自主Agent成为可能！
大语言模型
大语言模型是一种人工智能模型，通常使用深度学习技术，比如神经网络，来理解和生成人类语言。
Langchain基本操作
- 安装：
pip install langchain - 更新库文件：
pip install --upgrade langchain
调用 Text 模型
第1步，先注册好你的API Key。
第2步，用 pip install openai 命令来安装OpenAI库。
第3步，导入 OpenAI API Key。
import openai
openai.api_key = '你的Open API Key'
第4步，导入OpenAI库，并创建一个Client。
第5步，指定 gpt-3.5-turbo-instruct（也就是 Text 模型）并调用 completions 方法，返回结果。
第6步，打印输出大模型返回的文字。
调用 Chat 模型
整体流程上，Chat模型和Text模型的调用是类似的，只是前面加了一个chat，然后输入（prompt）和输出（response）的数据格式有所不同。
Chat模型 vs Text模型
Chat模型和Text模型都有各自的优点，其适用性取决于具体的应用场景。
相较于Text模型，Chat模型的设计更适合处理对话或者多轮次交互的情况。这是因为它可以接受一个消息列表作为输入，而不仅仅是一个字符串。这个消息列表可以包含system、user和assistant的历史信息，从而在处理交互式对话时提供更多的上下文信息。
这种设计的主要优点包括：
- 对话历史的管理：通过使用Chat模型，更方便地管理对话的历史，并在需要时向模型提供这些历史信息。
- 角色模拟：通过system角色，你可以设定对话的背景，给模型提供额外的指导信息，从而更好地控制输出的结果。当然在Text模型中，你在提示中也可以为AI设定角色，作为输入的一部分。
- 对于简单的单轮文本生成任务，使用Text模型可能会更简单、更直接。
通过 LangChain 调用 Text 和 Chat 模型
进行联系
阅读readme文件配置自己的豆包API
通过AI练中学run成功代码，打卡第一天。 学习Langchain基本操作。
