学习方向
基础篇
LangChain中的6大组件：
- 模型(Models)：大语言模型的LangChain接口和调用，输出解析。
- 提示模板(Prompts)：提示工程流水化，激发大语言模型潜力。
- 数据检索(Indexes)：用户查询，返回最相关的文档。
- 记忆(Memory)：短时记忆和长时记忆，对话过程中村塾和检索数据。
- 链(Chains)：LangChain的核心机制，特定方式封装各种功能。
- 代理(Agents)：另一个LangChain核心机制，通过“代理”让大模型自主调用内部和外部工具，使App产生自驱力。
应用篇
LangChain的工具和接口
嵌入式存储，连接数据库
引入异步通信机制
智能代理->角色扮演 自主搜索 自动策略
实战篇
部署一个鲜花网络电商的人脉工具，并开发一个易速鲜花聊天客服机器人。
模型调用细节，数据库连接的策略，记忆的存储与检索，更加智能、人性化的系统。
什么是大语言模型
人工智能模型，常使用深度学习技术(神经网络，理解和生成人类语言)。模型的“大”在于它们的参数量非常多，可以达到数十亿甚至更多，使得它们可以理解和生成高度复杂的语言模式。
大语言模型->巨大的预测机器，训练过程在于“猜词”：给定一段文本的开头，预测下一个词是什么。模型根据大量的训练数据(如在互联网上爬取的文本)，试图理解词语和词组在语言中的用法和含义，以及如何组成形成意义。它会通过不断地学习和调整参数，使得预测越来越准确。
例
“今天的天气真”
模型可能会预测出“好”作为下一个词，因为在大量训练数据中，“今天天气真好”是一个常见的句子。预测不仅基于词语的统计关系，还包括对上下文的理解，甚至体现出对世界常识的认知，比如它会理解到，人们通常会在天气好的时候进行户外活动。因此可以继续生成相关的内容。
局限：不完全理解语言，没有人类的情感、意识或理解力。它们只是通过复杂的数学函数学习到的语言模式，一个概率模型进行预测，有时会犯错，或者生成不合理甚至偏离主题的内容。
LangChain：全方位、基于大语言模型预测能力的应用开发工具，灵活性与模块化特性使得处理语言模式变得极其简单。其提供的模块化组件允许根据自己的需求定制和创建应用中的功能链条。chain?
安装LangChain
LangChain的基本安装
代码解读
复制代码
pip install langchain
注意：通常LangChain需要与各种模型、数据存储库集成，如OpenAI的API接口，开源大模型库的HuggingFace Hub，对各种向量数据库的支持。默认情况下是没有安装各种依赖的。
因此，建议安装LangChain时包括常用的开源LLM(大语言模型)库：
css
代码解读
复制代码
pip install langchain[llms]
安装完成之后，还需要更新到 LangChain 的最新版本，这样才能使用较新的工具。
css
代码解读
复制代码
pip install --upgrade langchain
建议使用虚拟环境
OpenAI API
LangChain本质：对各种大模型提供的API的套壳，方便使用这些API搭建的框架、模块和接口。
LangChain底层逻辑->大模型的API的基本设计思路
目前接口最完备、最大强大的llm，OpenAI提供的GPT家族。
作者：fortuneooo
链接：juejin.cn/post/743267…
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
