“ langchain,在大模型之上构建应用的脚手架”
在大模型之上构建应用需要很多的步骤,比如文档加载,数据库读取,大模型加载,以及各个环节的连接等。
因此,就有了langchain这个开发框架,它的功能就是把大模型开发过程中需要的常见问题整合在一块,方便开发者。
当然,不使用langchain是否能构建上层应用?
答案是可以,但会很麻烦。
langchain官网地址:
https://www.langchain.com/
01
—
什么是langchain?
简单来说,langchain是一款开发框架,它的作用就是简化开发者的开发流程,让开发者能够把精力集中在具体的业务中,而不是一大堆繁杂的准备工作中。
举例来说,构建一个人工智能的应用,可能既需要文字生成,又需要图片处理,还需要进行分类等;这时一个大模型可能无法同时满足这几个要求。
因此,如果要同时调用多个大模型的功能,这时每一个大模型都需要接口调用处理等。
比如,在大模型的加载中就有第三方服务比如chatGPT,通义千问等;还有开源模型的加载,比如huggingface上的开源模型,还有一些本地大模型服务部署的框架如ollama/gpt4all/llstudio等,还包括自己开发的大模型框架,如使用pytorch,tensorflow开发的模型。
不同的模型具有不同的加载方式,如果全部自己手动开发,那么将会耽误大量的时间,而且还可能存在各种问题。
再加上当前大模型+知识库的爆火,有知识库给大模型做资料库,这时就需要把知识库集成到应用中。就一个知识库就涉及到文档加载,向量数据库,资料存储与搜索等多个功能。
这些功能很重要,但它们都属于具体业务的支撑技术,这样就会导致开发人员需要大量的时间和精力来处理这些边缘又重要的任务。
因此langchain就出现了,langchain封装了很多技术细节,开发者只需要按照它的要求进行简单的调用就可以完成以上功能,大大简化了开发人员的流程。
02
—
langchain的核心功能模块
- 模型(model i/o)
模型模块的功能主要就是各种模型的加载,由langchain官网提供了多种模型的加载包,比如通过网络调用openAI的接口,调用huggingface接口和自定义模型接口等。
- 提示(prompt)
提示的作用就是prompt工程,因为当前的大模型还不够智能,所以良好的提示词会获得更好的回应。因此,就诞生了提示词工程,其作用就是更好的提问。
- 索引(index)
索引模块的作用主要用来加载外部文档,比如知识库,搜索引擎等。此模块可以从外部网络中加载文档并输入到大模型中,以助于可以让我们得到更好的处理结果;文档格式也是多种多样,比如txt,word,pdf,数据库等。
- 内存(memory)
这里内存的作用是用来记录历史记录,在大模型的交互中大模型本身没用记录历史提问的功能,所以需要自己做历史记录,然后再次访问的时候,把历史记录一块带着。
- 链(chain)
链是langchain中的核心模块,其作用是把多个步骤串成一条调用链,比如先获取用户输入之后,先调用知识库获取资料,在调用文本生成模型生成文本,再调用图片生成功能生成图片等。
链就可以把上述功能给串起来,简化操作,即把上层的输出作为下层的输入。
- 代理(agent)
在应用的构建中可能会用到很多第三方的功能或插件,比如需要搜索功能就要调用谷歌或百度的搜索接口,需要控制机械手臂完成动作也需要调用其接口。
而这就是代理模块的作用,也叫做AI agent,作用相当于大模型的手和脚,也是大模型与工业领域结合的方向。
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓