何谓 LangChain
定义
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。LangChain提供了一系列工具、套件和接口，可以简化创建由LLMs和聊天模型提供支持的应用程序的过程
什么是大语言模型
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。这些模型的“大”在于它们的参数数量非常多，可以达到数十亿甚至更多，这使得它们能够理解和生成高度复杂的语言模式
LangChain 是一个全方位的、基于大语言模型这种预测能力的应用开发工具
6大组件
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！
设计目标
不仅仅在于能通过API调用语言模型，更重要的是能够具备以下两个特性：
- 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。
因此，LangChain框架的设计目标，是使这种AI类型的应用成为可能，并帮助我们最大限度地释放大语言模型的潜能。
学习路线
LangChain快速入门代码详解
ps: 项目已经不需要配置什么了，可以直接run，也可以自己走一遍配置流程
以04_ChatLongChain.py作示例
import os
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
导入所需的python模块，特别的： HumanMessage, SystemMessage，LangChain中用于构建消息的类
chat = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0.8, max_tokens=600)
创建一个ChatOpenAI实例，model是指具体的哪个模型，temperature是控制生成文本的随机性，temperature越高，生成文本的随机性更高，差不多就是生成的答案不一样，max_tokens限制生成文本的最大长度。
messages = [
SystemMessage(content="你是一个很棒的智能助手"),
HumanMessage(content="请给我的花店起个名"),
]
SystemMessage：系统信息，HumanMessage：用户消息，系统信息是给模型提供一下上下文的信息，用户消息是需要回答的具体问题
如果没有系统消息，只有用户消息，运行的一般会慢点，回答可能也不够具体比较宽泛（我们可能并不需要花店名字的介绍）：
response = chat(messages)
print(response)
消息进入模型得到响应response并打印
总结
（1）学习了LangChain相关的知识。了解到了目前的大模型及相关调用方法
（2）使用豆包MarsCode一起分析其中代码相关细节（还挺好用）
