什么是LangChain?

LangChain是一个强大的开发大模型应用的框架，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的常用模块组件：

• 模型 ( Models )

• 模式 （ Schema ）

• 提示词 ( Prompt )

• 代理（ Agents ）

• 链（ Chains ）

• 索引 ( Indexes )

• 内存（Memory）

什么是 model?

LangChain model 是一个基于语言模型的框架，用于构建聊天机器人、生成式问答（GQA）、摘要等功能。LangChain 的核心思想是可以将不同的组件“链”在一起，以创建更高级的语言模型应用。

LLMs: 模型的简单使用，不支持流，不支持参数配置

Chat: 可以配置模型，支持流，支持参数配置

什么是Chains?

在简单应用中，单独使用LLM是可以的，但更复杂的应用需要将LLM进行链接。例如，我们可以创建一个链，该链接收用户输入，使用PromptTemplate对其进行格式化，然后将格式化后的响应传递给LLM。链允许我们将多个组件组合在一起创建一个单一的、连贯的应用。

四个常用的链：

• LLMChain：一个链，将一个LLM和一个PromptTemplate组合在一起。

• SimpleSequentialChain：一个简单的链，将一个链的输出作为下一个链的输入。

• SequentialChain：一个更复杂的链，允许我们定义多个链，并将它们链接在一起。

• ConversationChain：一个链，将一个LLM和一个ConversationPromptTemplate组合在一起。

LangChain中常用的Promtp有哪些？

1.PromptTemplate

2.ChatPromptTemplate

3.ChatMessagePromptTemplate

4.StringPromptTemplate

5、使用PipelinePromptTemplate实现多步提示词

LangChain中四种文档处理链是什么

• StuffDocumentsChain

  这种链最简单直接，是将所有获取到的文档作为 context 放入到 Prompt 中，传递到 LLM 获取答案。这种方式可以完整的保留上下文，调用 LLM 的次数也比较少，建议能使用 stuff 的就使用这种方式。其适合文档拆分的比较小，一次获取文档比较少的场景，不然容易超过 token 的限制。

• RefineDocumentsChain

  通过迭代更新的方式获取答案。先处理第一个文档，作为 context 传递给 llm，获取中间结果 intermediate answer。然后将第一个文档的中间结果以及第二个文档发给 llm 进行处理，后续的文档类似处理。Refine 这种方式能部分保留上下文，以及 token 的使用能控制在一定范围。

• MapReduceDocumentsChain

  先通过 LLM 对每个 document 进行处理，然后将所有文档的答案在通过 LLM 进行合并处理，得到最终的结果。

  MapReduce 的方式将每个 document 单独处理，可以并发进行调用。但是每个文档之间缺少上下文。

• MapRerankDocumentsChain

MapRerankDocumentsChain 和 MapReduceDocumentsChain 类似，先通过 LLM 对每个 document 进行处理，每个答案都会返回一个 score，最后选择 score 最高的答案。MapRerank 和 MapReduce 类似，会大批量的调用 LLM，每个 document 之间是独立处理。

LangChain内置的几个示例选择器

1 根据长度要求智能选择示例（长度选择）

2 根据输入相似度选择示例（最大边际相关性）

3 根据输入相似度选择示例（最大余弦相似度）

LangChain怎么自定义选择器？

示例选择器需要继承 BaseExampleSelector 类，并且需要实现两个方法：

add_example 方法，该方法接受一个示例并将其添加到 ExampleSelector 中

select_examples 方法，该方法接受输入变量（用于用户输入）并返回要在 few shot 提示中使用的示例列表。

LangChain内置的输出解释器有哪些？

列表解析器：CommaSeparatedListOutputParser,NumberedListOutputParser

日期时间解析器：DatetimeOutputParser

Pydantic 解析器

JSON 解析器：

XML解析器：

Markdown 解析器：

结构化输出解析器 structured

修复解析器 重试解析器

什么是Agents

Agents 是一个具有智能功能的智能体，它使用 LLM 和工具来执行任务。

Agents 核心思想是使用LLM来选择要采取的一系列动作。在链式结构中，一系列动作是硬编码的（在代码中）。 在 Agents 中，使用语言模型作为推理引擎来确定要采取的动作及其顺序。

Agents 包括几个关键组件：

• Agent: 用于生成指令和执行动作的代理。

• Tool: 用于执行动作的函数。

• Memory: 用于存储历史对话和生成的指令。

• LLM: 用于生成指令和执行动作的 LLM。

  Toolkits都包括哪些

  CSV 代理 文档比较 Pandas Dataframe Agent SQL数据库代理 Vectorstore 代理