LangChain是一个帮助构建LLM应用的全套工具集。这里涉及到prompt构建、LLM接入、记忆管理、工具调用、RAG、智能体开发等模块。
为什么使用LangChain？
-
LLMs现有问题
- 无法连接网络，模型本身的数据有截止日期（比如截止到2023年Q4）
- 无法导入私有数据，即不能进行私有化定制
- 不同模型API不同，切换模型时学习成本高。
-
LangChain优势
- LangChain可以帮助大模型去联网，调用Google等搜索引擎的API去搜寻最新数据，然后返回给用户，解决了现有数据不是最新数据问题。
- LangChain可以基于RAG架构开发可服务于特定业务的模型，解决私有化定制问题。
- 使用LangChain可以以统一、规范的方式进行调用，有更好的移植性。
LangChain架构
往小了来说，LangChain可以分为LangChain、LangGroup和LangSmith。
-
LangChain
- 构成应用程序认知架构的chains，Agents，Retrieval Strategies等
-
LangGrough
- LangGraph可以看做基于LangChain的api的进一步封装，能够协调多个Chain、Agent、Tools完成更复杂的任务，实现更高级的功能。
- 在实现多个智能体之间交互的功能时比较有优势
-
LangSmith
- 提供了6大功能，涉及Debugging（调试)、Playground(沙盒)、Prompt Management（提示管理）、Annotation（注释）、Testing（测试）、Monitoring（监控）等。与LangChain无缝集成，帮助你从原型阶段过渡到生产阶段。
- 相当于汽车的表盘，用来检测数据（汽车当前的状态）
-
LangServer
- 将LangChain的可运行项和链部署为REST API，使得它们可以通过网络进行调用。同时支持高并发，稳定性好
- 比如不同语言去调用LangChain就需要通过LangServer
在LangChain当中，最有前途的两个模块就是：LangGraph，LangSmith。
LangChain能做RAG，其它的一些框架也能做，而且做的也不错，比如Llamalndex。所以这时候LangChain要在Agent这块发力，那就需要LangGraph。而LangSmith，在做运维、监控这块有较大优势。
本人还是初学者，文档也还在持续更新中...
有任何错误的地方欢迎大家指出(๑•̀ㅂ•́)و✧
