LangChain基础入门

Langchain概述

概述

LangChain是一个强大的框架，帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。LangChain是一个基于语言模型开发应用程序的框架。

模型分类

大型语言模型（LLM）：这些模型将文本字符串作为输入并返回文本字符串作为输出。它们是许多语言模型应用程序的支柱。

聊天模型( Chat Model)：聊天模型由语言模型支持，但具有更结构化的 API。他们将聊天消息列表作为输入并返回聊天消息。这使得管理对话历史记录和维护上下文变得容易。

文本嵌入模型(Text Embedding Models)：这些模型将文本作为输入并返回表示文本嵌入的浮点列表。这些嵌入可用于文档检索、聚类和相似性比较等任务。

特点

LLM 和提示：LangChain 使管理提示、优化它们以及为所有 LLM 创建通用界面变得容易。此外，它还包括一些用于处理 LLM 的便捷实用程序。

链(Chain)：这些是对 LLM 或其他实用程序的调用序列。LangChain 为链提供标准接口，与各种工具集成，为流行应用提供端到端的链。

数据增强生成：LangChain 使链能够与外部数据源交互以收集生成步骤的数据。例如，它可以帮助总结长文本或使用特定数据源回答问题。

Agents：Agents 让 LLM 做出有关行动的决定，采取这些行动，检查结果，并继续前进直到工作完成。LangChain 提供了代理的标准接口，多种代理可供选择，以及端到端的代理示例。

内存：LangChain 有一个标准的内存接口，有助于维护链或代理调用之间的状态。它还提供了一系列内存实现和使用内存的链或代理的示例。

评估：很难用传统指标评估生成模型。这就是为什么 LangChain 提供提示和链来帮助开发者自己使用 LLM 评估他们的模型。

主要组件

- 模型 ( Models )

- 提示词 ( Prompt )

- 代理（ Agents ）

- 链（ Chains ）

- 索引 ( Indexes )

- 内存（Memory）

- 模式 （ Schema ）

应用场景

1. 信息检索

   • LangChain可以根据用户的查询意图，通过记忆链中的语义信息，提供准确、全面的搜索结果。

   • 无论是文本、图片还是视频等多媒体数据，LangChain都能进行深度理解和检索。

2. 问答系统

   • LangChain可以根据用户的问题，从记忆链中抽取相关信息，并给出准确的答案。

   • 无论是常见问题还是专业领域的知识，LangChain都能提供高质量的回答。

3. 个性化推荐

   • LangChain可以根据用户的兴趣和偏好，从记忆链中推荐相关的内容。

   • 无论是新闻、音乐还是电影等，LangChain都能根据用户的历史行为和喜好进行精准推荐。

4. 机器翻译

   • LangChain可以利用记忆链中的语义信息，进行更加准确、自然的机器翻译。

   • 通过对源语言和目标语言的语义关联进行建模，LangChain可以提供更加流畅、准确的翻译结果。

5. 聊天机器人

   • LangChain可以用于构建聊天机器人，使其具备更丰富的交互能力和更准确的回答能力。

   • 通过与大型语言模型的结合，聊天机器人可以更加智能地理解用户意图，并提供相应的回复。

6. 生成式问答（GQA）和摘要

   • LangChain允许将语言模型与其他数据源连接在一起，实现数据感知，从而支持生成式问答和摘要等任务。

   • 这些任务通常需要处理大量的文本数据，LangChain的模块化设计和对LLM的通用接口实现可以极大地简化开发过程。

7. 结合大型语言模型、知识库和计算逻辑快速开发AI应用

   • LangChain通过其强大的框架和灵活的表达语言（LCEL），支持并行化、回退、批处理、流式传输和异步操作等功能。

   • 这使得开发人员能够结合大型语言模型、知识库和计算逻辑快速开发强大的AI应用。 

案例

我们以通义大模型来作为底模

安装

pip install langchain==0.1.6 # 版本号

操作

# 1、导入大模型的类
from langchain_community.llms import Tongyi
# 实例化
llm = Tongyi()
# 调用通义千问
ret =  llm.invoke("who are you?")
print(ret)