小杨同学766

链（上） 对于简单的应用程序来说，直接调用LLM就已经足够了。 如果想开发更复杂的应用程序，那么就需要通过 “Chain” 来链接LangChain的各个组件和功能——模型之间彼此链接，或模型与其他组

输出解析（下） 自动修复解析器（OutputFixingParser） 使用OutputFixingParser来帮助自动解决类似的格式错误。 用上面的新的new_parser来代替Parser进行解

输出解析(上) 输出解析器是一种专用于处理和构建语言模型响应的类。 一个基本的输出解析器类通常需要实现两个核心方法。 getformatinstructions：这个方法需要返回一个字符串，用于指导如

调用模型 预训练模型的微调（Fine-tuning）：经过预训练的大模型中所习得的语义信息和所蕴含的语言知识，能够非常容易地向下游任务迁移。NLP应用人员可以对模型的头部或者部分参数根据自己的需要进行

提示工程（下） Chain of Thought（CoT，即“思维链”） CoT的核心思想是通过生成一系列中间推理步骤来增强模型的推理能力。在Few-Shot CoT和Zero-Shot CoT

提示工程（上） 提示框架 指令（Instuction）告诉模型这个任务大概要做什么、怎么做，比如如何使用提供的外部信息、如何处理查询以及如何构造输出。

模型（Model） 模型，位于LangChain框架的最底层，它是基于语言模型构建的应用的核心元素 LangChain框架的好处，你会发现它有这样几个优势。

把本地知识切片后做Embedding，存储到向量数据库中，然后把用户的输入和从向量数据库中检索到的本地知识传递给大模型，最终生成所想要的回答。

Text模型和Chat模型 open AI的两大类语言模型Chat Model和Text Model Chat Model，聊天模型，用于产生人类和AI之间的对话