To be a better man

在开始项目之前，您通常没有大量数据来评估您的链/代理。这通常是因为大型语言模型（大多数链/代理的核心）是出色的少镜头（few-shot）和零镜头（zero-shot）学习者， 这意味着您几乎总是能够开始执行特定任务（文本到SQL，问答等），而无需示例的大型数据集。这与传统的机器学习形成鲜明对比，在传统的机器学习中，你必须首先收集一堆数据点。第一个方案是不使用度量指标，而是仅依赖肉眼观察结果，以便了解链/代理的性能。为此，我们有几个不同的链和提示，旨在解决这个问题。，但我们非常希望这是社区的努力。

GPT-4(THUDM) + LangChain ＞＞ Personalized expert AI assistant.（本地知识库教程）

LangChain资料整理。LangChain资料整理。

后期关注结构化输出，方便作为借口提供给其他下游应用。

【代码】LangChain-Agent自定义Tools类 ——基础篇（一）

随着ChatGPT等大型语言模型（LLM）的发布，应用开发者越来越倾向于将LLM集成到自己的应用中。然而，由于LLM生成结果的不确定性和不准确性，目前还无法仅依靠LLM提供智能化服务。因此，LangChain应运而生，其主要目标是将LLM与开发者现有的知识和系统相结合，以提供更智能化的服务。LangChain是一个开源的应用开发框架，目前支持Python和TypeScript两种编程语言。它赋予LLM两大核心能力：数据感知，将语言模型与其他数据源相连接；代理能力，允许语言模型与其环境互动。LangCha