专属领域大语言模型应用之LangChain核心模块models(一)

一、LangChain 项目介绍

对大语言模型的调用实际上是一次或多次上下文无关的独立事件，如果想要实现聊天、问答、API调用甚至一些更复杂的业务场景，直接去调用API是无法实现的。需要在这个过程里面整合不同类型的业务代码逻辑。

LangChain就是对这些通用逻辑做了封装，让使用者可以不用关注在与大模型之间的交互细节，能够更专注在业务本身上，通过组合模块和能力抽象来扩展 LLM 的能力，通过 chain、agent、model 等多种封装工具，提供了扩展 LLM 使用场景、便捷 LLM 调用方式的一系列功能。LangChain支持Python、js、ts语言。

1. LangChain的设计思路

CHAIN 就像缝合剂，它把多种能力进行缝合，其中有一部分能力是LangChain内置的，比如说上下文管理(Memory)，工具类(Agents)等，我们也可以基于LangChain进行定制与开发，这就是LangChain的设计思路。

2. LangChain 主要具备的核心模块

• Prompts，模板化、动态选择和管理模型输入
• Models，通过通用接口调用语言模型
• Parser，标准化输出模型返回信息
• Memory，上下文信息存储功能
• Chains，将零散的功能逻辑串联成完整的业务流程
• Agents，工具类的合集，解决大模型处理不了的问题

3. LangChain 的应用场景

• 问答机器人
• 摘要汇总
• 聊天机器人
• 数据查询
• 与接口交互
• 理解代码

4. LangChain 的价值

最近几个月， LangChain 已经成为了 AIGC 领域最火的框架。

看到这里，可能很多人心存疑问，为什么开发者要用 LangChain 而不是直接使用 OpenAI 所提供的方法呢？原因是目前的 GPT 模型存在以下的缺点，在产品中集成与使用依然需要大量的成本：

• max token 限制
• 无法，私有化模型
• 没法，查询数据库
• 数据截止2021年Q3
• 不能调用第三方 API
• 无法联网
• 无法对接外部工具
• 数据隐私
• 输出结果不稳定

LangChain 与之对比，就形成了自己的优势。他封装的抽象或抽象出来的能力，确实可以解决大语言模型使用过程中的一些痛点。比如大语言模型返回信息的不确定性，如果每次调用接口的结果是不确定的，你需要在这个过程中，进行大量的异常处理信息。

LangChain 作为大语言模型和应用产品之间的一个桥梁和媒介。LangChain 则很好的解决了GPT模型存在的问题。

5. 环境配置与安装

环境配置：

• 科学上网环境
• Python环境
• API Token

LangChain安装:

• 通过 pip 安装 langchain：

pip install langchain

• 通过 pip 安装 openai：

pip install openai

6. LangChain 相关学习资料

LangChain Python 官方教程：https://python.langchain.com/

LangChain GitHub 源码地址：https://github.com/langchain-ai/langchain

deeplearning教程：https://learn.deeplearning.ai/langchain

二、LangChain 核心模块 models