大型语言模型（LLMs）正引领人工智能技术的创新浪潮。自从OpenAI推出ChatGPT，企业、开发者纷纷寻求定制化的AI解决方案，从而催生了对开发和管理这些模型的工具和框架的巨大需求。
LlamaIndex和LangChain作为两大领先框架，二者各自的特点和优势，将决定它们在不同场景下的应用。本文介绍这两个框架的主要差异，帮助读者做出明智的选择。
1 LlamaIndex
LlamaIndex 流程
LlamaIndex框架简化了对大型语言模型的个性化数据索引和查询，支持多种数据类型，包括结构化、非结构化及半结构化数据。
LlamaIndex通过将专有数据转化为嵌入向量，使数据能够被最新型的LLMs广泛理解，从而省去了重新训练模型的步骤，提高数据处理的效率和智能化水平。
1.1 工作原理
LlamaIndex 架构
LlamaIndex框架推动了大型语言模型（LLMs）的定制化发展。通过将专属数据嵌入内存，使模型在提供上下文相关回答时表现更佳，将LLMs塑造成领域知识专家。无论是作为AI助手还是对话机器人，LlamaIndex都能根据权威资料（如仅限高层访问的业务信息PDF）准确回应查询。
LlamaIndex采用检索增强生成（RAG）技术，定制化LLMs，包括两个核心步骤：
-
索引阶段：将专有数据转化为富含语义信息的向量索引。
-
查询阶段：系统接收到查询后，迅速匹配并返回最相关的信息块，结合原始问题，由LLM生成精准答案。
1.2 LlamaIndex快速入门
安装llama-index：
pip install llama-index
使用 OpenAI 的 LLM 需要 OpenAI API 密钥。获得秘钥后，在 .env 文件中这样设置：
import os os.environ["OPENAI_API_KEY"] = "your_api_key_here"
1.3 构建问答应用：LlamaIndex实践
为了展示LlamaIndex的能力，下面进行代码演示，开发一个基于自定义文档回答问题的问答应用程序。
安装依赖项：
pip install llama-index openai nltk
使用LlamaIndex的SimpleDirectoryReader函数加载文档，开始构建索引：
from llama_index.core import ( VectorStoreIndex, SimpleDirectoryReader ) # 定义SDR函数内的路径，然后构建索引 documents = SimpleDirectoryReader("docs").load_data() index = VectorStoreIndex.from_documents(documents, show_progress=True)
查询索引并检查响应：
# 查询引擎 query_engine = index.as_query_engine() response = query_engine.query("If i miss my assignments and projects, what grade and percentage will i end up with?") print(response)
使用 LlamaIndex 建立的 LLM 响应
查询引擎将搜索数据索引，并以相关片段的形式返回响应。
还可以通过修改函数将此查询引擎转换为具有记忆的聊天引擎：
chat_engine = index.as_chat_engine() response = chat_engine.chat("If i miss my assignments and projects, what grade and percentage will i end up with?") print(response) follow_up = chat_engine.chat("And if i only miss my projects, then what grade would i get?") print(follow_up)
为了避免每次重建索引，可以将其持久化到磁盘：
index.storage_context.persist()
稍后加载回来：
from llama_index.core import ( StorageContext, load_index_from_storage, ) storage_context = StorageContext.from_defaults(persist_dir="./storage") index = load_index_from_storage(storage_context)
2 LangChain
Langchain流程
LangChain是一个框架，专门用于基于自定义数据构建个性化的大型语言模型（LLMs）。它能够整合多种数据源，包括关系型数据库、非关系型数据库、APIs，以及自定义知识库。
LangChain通过链式机制运作，将一系列请求和集成工具的输出依次传递，形成连续的处理流程。利用这一机制，LangChain不仅能够确保从您的专有数据中提取相关上下文，还能生成恰当的响应，无论是用于公司的定制问答机器人、内部分析还是与数据源协同工作的AI助手。其内置的链式结构，便于开发者将多样的工具整合进LLM应用，构建出功能全面的系统。
2.1 工作原理
Langchain架构
LangChain框架由以下核心组件构成：
-
提示（Prompts）：这是向模型发出的指令，用以引导模型产生预期的输出或响应。
-
模型接口：LangChain提供了一个用户界面，允许用户快速更换并测试不同的语言模型，包括最新的GPT-4、Gemini 1.5 pro、Hugging Face LLM、Claude 3等。
-
索引技术：框架采用嵌入和内存向量存储等技术，以优化数据的索引和检索。
-
组件链式连接：LangChain简化了不同组件之间的连接流程，使得构建复杂的处理链变得轻而易举。
-
AI智能体：提供一系列智能体，协助用户管理和分配任务，以及工具的使用。
2.2 LangChain快速入门
安装LangChain：
pip install langchain
这里使用cohere API密钥。在.env文件中使用 API 密钥设置 cohere 环境变量：
import os os.environ["cohere_apikey"] = "your_api_key_here"
2.3 构建问答应用：LangChain实践
下面进行代码演示，开发一个基于自定义文档回答问题的问答应用程序。
第一步是安装依赖项：
pip install langchain cohere chromadb ## 我们使用cohere而不是OpenAI的LLM
接着，加载文档数据并创建索引。还将使用 cohere 嵌入生成嵌入：
from langchain.document_loaders import OnlinePDFLoader from langchain.vectorstores import Chroma from langchain.embeddings import CohereEmbeddings from langchain.text_splitter import RecursiveCharacterTextSplitter loader = OnlinePDFLoader(document) documents = loader.load() # 初始化文本分割器 text_splitter = RecursiveCharacterTextSplitter(chunk_size=chunksize,chunk_overlap=10, separators=[" ", ",", "\n"]) # 初始化Cohere嵌入 embeddings = CohereEmbeddings(model="large", cohere_api_key=st.secrets["cohere_apikey"]) texts = text_splitter.split_documents(documents) global db db = Chroma.from_documents(texts, embeddings) retriever = db.as_retriever() global qa
查询索引并检查响应：
query = "Compare indian constitution's approach to secularism with that of other countries?" result = db.query(query) print(result)
使用 Langchain 建立的 LLM 响应
查询将对数据进行语义搜索，并检索出对查询的适当回应。
如果需要，可以使用 langchain 的RetrievalQA模块进行链式处理，这里也使用 cohere 的 LLM：
from langchain.llms import Cohere from langchain.chains import RetrievalQA qa = RetrievalQA.from_chain_type( llm=Cohere( model="command-xlarge-nightly", temperature=temp_r, cohere_api_key=st.secrets["cohere_apikey"], ), chain_type="stuff", retriever=retriever, return_source_documents=True, chain_type_kwargs=chain_type_kwargs, )
3 LlamaIndex与LangChain应用场景
3.1 LlamaIndex：
-
构建具有特定知识库的查询和基于搜索的信息检索系统。
-
开发能够针对用户查询仅提供相关信息片段的问答聊天机器人。
-
对大型文档进行摘要、文本补全、语言翻译等。
3.2 LangChain：
-
构建端到端的会话聊天机器人和AI智能体。
-
将自定义工作流程集成到大型语言模型（LLMs）中。
-
通过APIs和其他数据源扩展LLMs的数据连接选项。
3.3 LlamaIndex和LangChain的结合使用案例：
-
构建专家级AI智能体：LangChain能够整合多种数据源，而LlamaIndex能够根据相似性语义搜索能力进行策划、摘要，并生成更快的响应。
-
高级研发工具：利用LangChain的链式机制同步管理工具和工作流程，同时使用LlamaIndex帮助生成更具上下文意识的LLM，并获取最相关的响应。
4 选择框架：LlamaIndex vs LangChain
在选择LlamaIndex与LangChain这两个框架之前，需要思考几个关键问题：
-
项目需求：如果目标是构建基础的索引、查询搜索和数据检索系统，LlamaIndex将是合适的选择。若项目需要集成复杂的自定义工作流程，则LangChain将更加合适。
-
易用性：LlamaIndex以其简洁的界面著称，易于上手。相比之下，LangChain则要求用户对自然语言处理（NLP）的概念和组件有更深入的了解。
-
定制程度：LangChain的模块化设计让其在定制化和工具集成方面更为灵活。而LlamaIndex则专注于提供高效的搜索和检索功能。
5 结语
LlamaIndex和LangChain都是构建定制化LLM应用的有力工具。LlamaIndex擅长搜索和检索，而LangChain则以其模块化和集成性胜出。选择哪个，取决于具体的项目需求、易用性偏好和定制化程度。
如果追求多功能集成和AI智能体，LangChain是理想选择。若目标是高效的信息索引和检索，LlamaIndex则更加合适。实际上，两个框架可以协同工作，不必二选一。
那么，如何系统的去学习大模型LLM？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
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。
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~
篇幅有限，部分资料如下：
👉LLM大模型学习指南+路线汇总👈
💥大模型入门要点，扫盲必看！
💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。
👉大模型入门实战训练👈
💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉国内企业大模型落地应用案例👈
💥《中国大模型落地应用案例集》 收录了52个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）
💥《2024大模型行业应用十大典范案例集》 汇集了文化、医药、IT、钢铁、航空、企业服务等行业在大模型应用领域的典范案例。
👉LLM大模型学习视频👈
💥观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。 （文末领取）
👉640份大模型行业报告👈
💥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。
👉获取方式：
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🆓
1946
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
