LangChain
LangChain: 一个快速崛起的开源项目
LangChain 快速迭代
LangChain: 通过组合模块和能力抽象来扩展 LLM 的助手
- 大语言模型跟这个框架结合到一起
- 构建新的APP
模块
-
model I/O
-
data connection
- 处理数据流 从外部的数据进行处理 生成一个promote跟大模型交互
- promote可以反复生成 基于之前的结果不断的生成promote
-
chain
-
memory
- 记忆功能
-
agents
- auto gpt
- 代理
-
callbacks
- 回调功能
AIGC应用的开发生态
操作系统 云原生 深度学习 应用层
- 大模型应用
- web应用
- 移动app
目前都有很多的框架完成web应用和移动app
- flutter
- flask
- django
为什么需要LangChain
问题
Question: 为什么开发者要用 LangChain 而不是直接使用 OpenAI 或者 Hugging Face 上的模型?
- 重复造轮子 效率问题
Harrison: Hugging Face、OpenAI、Cohere 可以提供底座模型和 API, 但是在产品中集成和使用它们仍然需要大量的工作。
Hugging Face 类似github 上面有大模型和应用集
openai-translator 项目是典型的 LLM 应用实践
将英文的内容 通过promote给大模型进行翻译
实际的架构设计
GPT4的问题
- 训练语料 2021年
- 无法对接外部工具
- 输出结果不稳定
- 不能调用外部API
- 不能私有化
- max token限制 最大32K 并且价格贵
**App 不等于 GTP API封装 **
LangChain 典型使用场景 RAG
流程
- 1 调用langchain 发问
- 2 embedding
- 3 拿到向量
- 4 检索向量数据库
- 5 拿到相关的答案
- 6 发问大语言模型
LangChain 基础概念与模块化设计
-
LLM
-
MEMORY
- 内存
- 持久化的向量数据库
-
PROMPT
- 提示技巧
-
AGENT
- excutor 运行时
- auto gpt
CHAIN 流水线
-
QA over doc RAG
-
Summarization 文本总结
- 解析表格数据 数据分析
- 针对单张表进行 问询
-
chatbots
-
querying data 数据分析 表格统计
-
interacting with apis 连接搜索引擎 组合成强力的工具
-
code understanding 代码理解
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🆓