Langchain入门概述

1. Langchain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
• 它会提供了一套工具、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

    主要价值在：

• 组件化：为使用语言模型提供抽象层，以及每个抽象层的一组实现。组件是模块化且易于使用的，无论您是否使用LangChain框架的其余部分。
• 现成的链：结构化的组件集合，用于完成特定的高级任务

 2.LangChain 的模型内容

    模型分类：

• LLM（大型语言模型）：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。

   LangChain 的特点：

• 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。
• 链(Chain)：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。
• 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。
• 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。

   LangChain提供了以下主要组件：

• 模型 ( Models )                                 提示词 ( Prompt )
• 代理（ Agents ）                              链（ Chains ）
• 索引 ( Indexes )                                内存（Memory）
• 模式 （ Schema ）

3.案例

安装

pip install langchain==0.1.6

例子

# 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("你是谁？")
print(ret)