Hugo的博客

像PrivateGPTllama.cppGPT4All和llamafile这样的项目的流行度突显了本地运行大型语言模型(LLMs)的重要性。LangChain与许多可以本地运行的开源LLMs集成`。例如，这里我们展示了如何使用本地嵌入和本地LLM本地（例如，在您的笔记本电脑上）运行GPT4All或LLaMA2。

*构建查询分析系统将展示如何在一个基本的端到端示例中使用查询分析。这将涵盖创建一个简单的搜索引擎，展示当将原始用户问题传递给该搜索时发生的故障模式，然后是一个查询分析如何帮助解决这个问题的例子。有不同的查询分析技术，这个端到端的示例不会展示所有的技术。为了这个示例的目的，我们将在LangChain YouTube视频上进行检索。

使大型语言模型（LLM）查询结构化数据与查询非结构化文本数据有质的不同。在后者中，通常生成可以针对向量数据库搜索的文本，而结构化数据的方法通常是让LLM编写并在DSL（例如SQL）中执行查询。在本指南中，我们将介绍在数据库中创建表格数据上的问答系统的基本方法。我们将涵盖使用链（chains）和代理（agents）的实现。这些系统将允许我们询问数据库中的数据并得到自然语言答案。两者之间的主要区别在于，我们的代理可以根据需要多次循环查询数据库以回答问题。

在许多问答应用中，我们希望允许用户进行来回的对话，这意味着应用程序需要对过去的问题和答案有一些“记忆”，并且需要一些逻辑来将这些记忆融入到当前的思考中。本文将重点介绍。关于聊天历史管理的更多细节在这里有介绍。对于外部知识源，我们将使用由Lilian Weng在RAG教程中写的关于LLM驱动的自治代理的博客文章。

如上所示，我们可以从提示中心加载提示（例如，此RAG提示）。{context}| llm")检查LangSmith跟踪。

我们首先需要创建我们想要使用的工具。Tavily（用于在线搜索）以及我们将创建的本地索引的检索器。

这个教程将帮助您熟悉LangChain的向量存储和检索器抽象概念。这些抽象概念旨在支持从向量数据库和其他来源检索数据，以便与LLM（大型语言模型）工作流程集成。它们对于应用程序来说非常重要，这些应用程序需要获取数据以作为模型推理的一部分进行推理，就像检索增强生成（RAG）的情况一样（请参阅我们这里关于RAG的教程）。

我们将介绍如何设计和实现一个由LLM（大型语言模型）驱动的聊天机器人的例子。这个聊天机器人能够进行对话并记住之前的互动。请注意，我们构建的聊天机器人将仅使用语言模型进行对话。对话式RAG（Retrieval-Augmented Generation）：通过外部数据源启用聊天机器人体验代理（Agents）：构建一个能够采取行动的聊天机器人本教程将涵盖对这两个更高级主题有帮助的基础知识，但如果您选择，也可以直接跳转到那里。

这篇文章是关于如何构建一个简单的大型语言模型（LLM）应用程序的快速入门指南。这个应用程序将文本从英语翻译成另一种语言。这是一个相对简单的LLM应用程序——它只是一个单一的LLM调用加上一些提示。尽管如此，这是开始使用LangChain的好方法——只需一些提示和一个LLM调用，就可以构建许多特性！

新手入门LangChain或LLM应用程序开发？阅读这些材料可以快速上手。

在这里，您将找到所有 LangChain 概念的高层次解释。LangChain 是一个丰富的工具生态系统的一部分，这些工具与我们的框架集成并在其上构建。构建基于 LangChain 原语构建的有状态、多参与者应用程序，并打算与 LangChain 一起使用。跟踪和评估您的语言模型应用程序和智能代理，帮助您从原型过渡到生产。是一个用于开发由大型语言模型（LLMs）驱动的应用程序的框架。如果您想要构建特定的东西或者更倾向于实践学习，请查看我们的。查看开发者指南，了解贡献的指南并帮助设置您的开发环境。