为什么人人都需要掌握 LangChain 开发框架？

▼最近直播超级多，预约保你有收获

今晚直播：《LangChain 开发框架案例实践》

 —1—

LangChain 框架是什么？

LangChain 不仅仅是 AGI 时代 Agent 应用开发框架，它围绕 Agent 应用生命周期提供全方面的支持能力。

Agent 应用生命周期包括：开发、测试、评估验证、部署、监控等。开发功能由 LangChain 组件提供，支持 Python 和 JavaScript 两种语言。测试、评估验证、监控由 LangSmith 组件支持。部署由 LangServe 组件提供支持。

在最核心的 LangChain 组件中，提供三大模块：Model I/O、Retrieval、 Agents。

Modle I/O 部分包括了提示词管理、提示词优化、LLMs 通用调用接口、LLMs 通用工具集功能。

Retrievle 部分主要是和外部数据源作连接提供给 LLMs 知识注入增强。

Agents 采用了 ReAct 模式，使用 LLM 来做规划决策，进一步来执行（Action），然后观察（Observation）执行结果，持续上述三步，直到任务完成。 它提供和 Agents 交互的标准接口，并提供多种类型 Agens 的选择，并给出了端对端的 Agents 应用案例。

 —2—

LangChain 能帮我们完成哪些类型的开发工作？

第一、用来实现 RAG（Retrieval Augmented Generation）应用

RAG 是一种使用企业级私有和实时的数据用来增强 LLM 大模型能力的一种技术，由两个步骤构成：建立向量索引（Indexing）和检索生成（Retrieval and Generation）。

建立向量索引（Indexing）由加载外部知识（Load）、切分大文本为小的单元块（Split）、向量存储（Store）三步组成。

检索生成（Retrieval and Generation）由向量知识库检索最相似的 TopK 记录（Retrieve）和 LLM 大模型生成结果（Generate）两步构成。

架构高可用设计的核心是服务的无状态化（Stateless）设计，做到了冗余部署的服务完全对等，也就做到了服务的无状态化，从而实现了大模型在线架构的高可用。

第二、用来实现聊天机器人（Chatbots）应用

聊天机器人是 LLM 的核心用例之一。聊天机器人的核心功能是，它们可以进行长时间的对话，并可以访问用户想要了解的信息。

除了基本的Promt 提示词和 LLM，Memory 记忆和 Retrieval 检索是聊天机器人的核心组成部分。记忆允许聊天机器人记住过去的互动，而检索则为聊天机器人提供最新的特定领域信息。

因此它需要以下几个重要的组件：Chat Model、Prompt Template、Memory、Retriever。

LangChain 都提供了支持。

第三、实现企业级 SQL 交互应用

企业数据通常存储在SQL数据库中。LLM 使得使用自然语言与 SQL 数据库进行交互成为可能。

LangChain 提供 SQL Chains 和 Agents，用于基于自然语言 Prompt 构建和运行 SQL 查询。它支持的任何 SQL 方言兼容（例如，MySQL、PostgreSQL、Oracle SQL、Databricks、SQLite）。

LangChain 支持以下案例：生成将基于自然语言问题运行的查询、创建可以根据数据库数据回答问题的聊天机器人、基于用户想要分析的见解构建自定义仪表板等等。

LangChain 提供了工具组件和 RDBMS 进行交互：基于自然语言构建 SQL 查询语句、使用 chains 查询数据库、使用 Agents 和数据库进行交互实现鲁棒和灵活的查询。

还有更多落地场景，今晚20点的直播中详细剖析，请同学们点击免费预约。

总之，掌握好 LangChain 框架架构和落地实现，对于 IT 人来说是一项非常重要的技能。

—3—

干货+抽奖 LangChain 案例实战直播

为了帮助同学们掌握好 LangChain 开发框架和企业级案例实战，今晚20点，我和陈东老师会开一场直播和同学们深度聊聊：

    第一、LangChain 框架总体架构设计及关键技术剖析 

    第二、LangChain 开发 LLM 大模型应用架构设计 

    第三、基于 LangChain 构建智能问答系统案例实践

请同学点击下方按钮预约直播，咱们今晚20点直播不见不散！

今晚直播：《LangChain 开发框架案例实践》

END