-
什么是 LangChain？
-
LangChain 概述
-
- 主要特点
-
理解 Agent 和 Chain
-
- Chain
- Agent
- 示例
- 简单顺序链示例
-
检索增强生成（RAG）
-
- LLM 面临的主要问题
- RAG 的工作流程
-
LangChain 核心组件
-
- \1. 模型输入/输出（Model I/O）
- \2. 数据连接（Data Connection）
- \3. 链（Chains）
- \4. 记忆（Memory）
- \5. 代理（Agents）
- \6. 回调（Callbacks）
-
LangChain-CLI
-
- 配置步骤（Pirate-Speak 模板案例）
-
CSV-Agent 模板配置
-
- 配置步骤
- 处理反序列化错误
- 解决方案
- 使用应用
-
LangChain LCEL 概述
-
- 什么是 LCEL？
- LCEL 的设计目标
- LCEL 的主要特点
- LCEL 的应用示例
- 实际应用
-
OpenAI API KEY
-
结论
今天这篇文章就一句话概括，3分钟让你知道什么是LangChain，以及LangChain的部署配置全流程
什么是 LangChain？
LangChain 是一个为各种大型语言模型应用提供通用接口的框架，旨在简化应用程序的开发流程。通过 LangChain，开发者可以轻松构建如图所示的 RAG（Retrieval-Augmented Generation）应用。
在这里插入图片描述
LangChain 概述
LangChain 是一个专为构建大型语言模型（LLMs）驱动的应用程序而设计的框架，其核心目标是简化从开发到生产的整个应用程序生命周期。
主要特点
- 模块化构建：提供一套模块化的构建块和组件，便于集成到第三方服务中，帮助开发者快速构建应用程序。
- 生命周期支持：涵盖应用程序的整个生命周期，从开发、生产化到部署，确保每个阶段的顺利进行。
- 开源与集成：提供开源库和工具，支持与多种第三方服务的集成。
- 生产化工具：LangSmith 是一个开发平台，用于调试、测试、评估和监控基于 LLM 的应用程序。
- 部署：LangServe 允许将 LangChain 链作为 REST API 部署，方便应用程序的访问和使用。
理解 Agent 和 Chain
Chain
在 LangChain 中，Chain 是指一系列按顺序执行的任务或操作，这些任务通常涉及与语言模型的交互。Chain 可以看作是处理输入、执行一系列决策和操作，最终产生输出的流程。Chain 的复杂性可以从简单的单一提示（prompt）和语言模型调用，扩展到涉及多个步骤和决策点的复杂流程。
Agent
Agent 是 LangChain 中更为高级和自主的实体，负责管理和执行 Chain。Agent 可以决定何时、如何以及以何种顺序执行 Chain 中的各个步骤。通常，Agent 基于一组规则或策略来模拟决策过程，能够观察执行结果并根据这些结果调整后续行动。Agent 的引入使得 LangChain 能够构建更为复杂和动态的应用程序，如自动化聊天机器人或个性化问答系统。
示例
- Agent：基于某模型实现的问答系统可以视为一个 Agent。
- Chain：问答系统根据一个 prompt 给出回答的过程可以看作是一个 Chain，实际回答过程通常涉及多个任务（Chain）依次执行。
简单顺序链示例
from langchain import Chain, Agent
# 定义一个简单的 Chain
simple_chain = Chain([
{"task": "获取用户输入"},
{"task": "处理输入"},
{"task": "生成回答"}
])
# 定义一个 Agent
simple_agent = Agent(chain=simple_chain)
# 执行 Agent
response = simple_agent.execute()
print(response)
检索增强生成（RAG）
检索增强生成（RAG, Retrieval-Augmented Generation）是一种创新架构，巧妙地整合了从庞大知识库中检索到的相关信息，以指导大型语言模型生成更为精准的答案。这一方法显著提升了回答的准确性与深度。
LLM 面临的主要问题
-
信息偏差/幻觉：
-
- LLM 有时会生成与客观事实不符的信息，导致用户接收到不准确的信息。
- 解决方案：RAG 通过检索数据源辅助模型生成过程，确保输出内容的精确性和可信度，减少信息偏差。
-
知识更新滞后性：
-
- LLM 基于静态数据集训练，可能导致知识更新滞后，无法及时反映最新信息动态。
- 解决方案：RAG 通过实时检索最新数据，保持内容的时效性，确保信息的持续更新和准确性。
-
内容不可追溯：
-
- LLM 生成的内容往往缺乏明确的信息来源，影响内容的可信度。
- 解决方案：RAG 将生成内容与检索到的原始资料建立链接，增强内容的可追溯性，提升用户对生成内容的信任度。
-
领域专业知识能力欠缺：
-
- LLM 在处理特定领域的专业知识时，效果可能不理想，影响回答质量。
- 解决方案：RAG 通过检索特定领域的相关文档，为模型提供丰富的上下文信息，提升专业领域内的问题回答质量和深度。
-
推理能力限制：
-
- 面对复杂问题时，LLM 可能缺乏必要的推理能力，影响问题理解和回答。
* **解决方案**：RAG 结合检索到的信息和模型的生成能力，通过提供额外的背景知识和数据支持，增强模型的推理和理解能力。
-
应用场景适应性受限：
-
- LLM 需在多样化应用场景中保持高效和准确，但单一模型可能难以全面适应所有场景。
* **解决方案**：RAG 使得 LLM 能够通过检索对应应用场景数据，灵活适应问答系统、推荐系统等多种应用场景。
-
长文本处理能力较弱：
-
- LLM 在理解和生成长篇内容时受限于有限的上下文窗口，处理速度随着输入长度增加而减慢。
* **解决方案**：RAG 通过检索和整合长文本信息，强化模型对长上下文的理解和生成，有效突破输入长度限制，降低调用成本，提升整体处理效率。
RAG 的工作流程
RAG 是一个完整的系统，其工作流程可以简单地分为以下四个阶段：
-
数据处理：
-
- 收集和预处理相关数据，以确保信息的质量和可用性。
-
检索阶段：
-
- 从知识库中检索与用户查询相关的信息，确保获取最新和最相关的数据。
-
增强阶段：
-
- 将检索到的信息与用户输入结合，为模型提供丰富的上下文。
-
生成阶段：
-
- 基于增强的信息，使用大型语言模型生成最终的回答或内容。
在这里插入图片描述
LangChain 核心组件
LangChain 是一个强大的大语言模型开发框架，能够将 LLM 模型（如对话模型、嵌入模型等）、向量数据库、交互层 Prompt、外部知识和代理工具整合在一起，从而自由构建 LLM 应用。LangChain 主要由以下六个核心组件组成：
1. 模型输入/输出（Model I/O）
与语言模型交互的接口，负责处理输入和输出数据。
2. 数据连接（Data Connection）
与特定应用程序的数据进行交互的接口，确保数据流的顺畅。
3. 链（Chains）
将各个组件组合实现端到端应用。例如，检索问答链可以完成检索和回答的任务。
4. 记忆（Memory）
用于链的多次运行之间持久化应用程序状态，确保上下文的连贯性。
5. 代理（Agents）
扩展模型的推理能力，执行复杂任务和流程的关键组件。代理可以集成外部信息源或 API，增强功能。
6. 回调（Callbacks）
用于扩展模型的推理能力，支持复杂应用的调用序列。
在开发过程中，开发者可以根据自身需求灵活组合这些组件，以实现特定功能。
获取OpenAI API KEY的两种方式，开发者必看全方面教程，点击就在这里！
LangChain-CLI
LangChain 提供了一个命令行工具 langchain-cli，通过该工具可以快速创建基于 LangChain 的应用，访问方式为 REST API。
- 项目地址：LangChain CLI GitHub
- 使用视频：YouTube 教程
- 对应项目地址：CSV Agent 示例
配置步骤（Pirate-Speak 模板案例）
- Git 配置：
- 确保 Git 已安装并配置。
- 环境变量配置：
- 设置
OPENAI_API_KEY和OPENAI_BASE_URL（如果转发 API 不是直接向api.openai.com发起请求，则需要配置后者）。
-
创建新环境：
conda create -n my-env python=3.11conda activate my-env -
更换 pip 源：
python -m pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/ -
安装 Poetry：
pip install poetry -
安装 LangChain：
pip install langchain -
创建 LangChain 应用：
langchain app new my-app -
进入 Poetry 环境：
cd my-app poetry shell -
安装依赖：
poetry install -
运行模板：
```
poetry run langchain app add pirate-speak
```
- 注意：如果出现错误，可能是网络问题，请尝试更换网络。
- 修改
server.py：在./app/server.py中去掉注释内容及if语句上一行的add_routes语句，加入以下内容：
```
from pirate_speak.chain import chain as pirate_speak_chainadd_routes(app, pirate_speak_chain, path="/pirate-speak")
```
- 注意：在 Windows 系统中，
path="/pirate-speak"中的斜杠需要改为path="\pirate-speak"。
- 启动应用：
```
poetry run langchain serve
```
最后，您可以在浏览器中访问 http://127.0.0.1:8000/pirate-speak/playground/ 来查看和使用应用。
CSV-Agent 模板配置
在完成上述模板的配置后，您可以直接配置 CSV-Agent 模板，跳过部分步骤。
配置步骤
-
添加 CSV-Agent：在
my-app目录下运行以下命令：poetry run langchain app add csv-agent
- 输入
Y后等待安装完成。如果遇到网络问题，请参考之前的解决办法。
-
修改
server.py：在./app/server.py中添加以下内容：from csv_agent import agent_executor as csv_agent_chain add_routes(app, csv_agent_chain, path="/csv-agent") # Windows 系统中将 "\" 改为 "/" -
启动应用：运行以下命令启动应用：
poetry run langchain serve
处理反序列化错误
如果在启动时遇到以下错误：
ValueError: The de-serialization relies loading a pickle file. Pickle files can be modified to deliver a malicious payload that results in execution of arbitrary code on your machine. You will need to set `allow_dangerous_deserialization` to `True` to enable deserialization.
解决方案
-
打开
faiss.py文件：找到报错信息中提到的faiss.py文件，路径通常类似于：C:\xxxxxx\anaconda3\envs\LCTest\Lib\site-packages\langchain_community\vectorstores\faiss.py -
修改
allow_dangerous_deserialization：在文件中找到allow_dangerous_deserialization的相关代码，将其设置为True：allow_dangerous_deserialization = True注意：确保您信任要反序列化的文件来源。仅在确认文件未被他人修改的情况下执行此操作。
使用应用
启动应用后，您可以在浏览器中访问以下链接来查看和使用 CSV-Agent：http://127.0.0.1:8000/csv-agent/playground
LangChain LCEL 概述
什么是 LCEL？
LangChain Expression Language（LCEL）是 LangChain 工具包的重要组成部分，旨在提供一种声明式方法，用于组合不同组件以创建处理链（chain）。LCEL 的设计理念是提供一个强大而灵活的方式来组合不同的组件和服务，从而创建复杂的工作流程。通过 LCEL，开发者可以定义数据的流动方式，以及如何在 LangChain 的不同组件之间转换和处理数据。
获取OpenAI API KEY的两种方式，开发者必看全方面教程，点击就在这里！
LCEL 的设计目标
- 提高效率和灵活性：LCEL 旨在提高文本处理任务的效率，支持流处理、批处理和异步任务，具有模块化架构，方便用户定制和修改链组件。
- 简化复杂链的构建：为涉及多次大型语言模型（LLM）调用的复杂链提供简单的解决方案。
- 与 LangSmith 平台兼容：LCEL 设计时考虑了与 LangSmith 平台的配合，帮助用户从原型开发过渡到生产阶段。
LCEL 的主要特点
-
流媒体支持：
-
- LCEL 构建的链可以以流的形式直接从 LLM 获取并处理输出，提供快速响应。
-
异步支持：
-
- 允许链以同步或异步的方式执行，适合在不同环境下（如 Jupyter 笔记本或 LangServe 服务器）使用。
-
优化的并行执行：
-
- LCEL 链中的步骤如果能够并行执行，框架会自动优化以减少延迟。
-
重试和回退机制：
-
- 为链的任何部分配置重试和回退策略，提高链的可靠性。
-
访问中间结果：
-
- 允许在最终输出产生之前访问中间步骤的结果，有助于调试和提供反馈。
-
输入和输出模式：
-
- 为每个 LCEL 链提供推断出的 Pydantic 和 JSONSchema 模式，有助于验证输入和输出。
-
与 LangSmith 和 LangServe 的集成：
-
- LCEL 链自动记录到 LangSmith 以便于跟踪和调试，同时可以使用 LangServe 进行部署。
LCEL 的应用示例
LCEL 通过管道符 | 来连接不同的组件，创建一个处理链。例如，一个简单的链可能如下所示：
chain = (prompt | model | output_parser)
这个链将用户的输入传递给提示模板，模板生成的提示再传递给模型进行处理，最后由输出解析器将模型的输出转换为最终结果。
实际应用
LCEL 不仅支持简单的链，还可以构建更复杂的链，例如结合向量数据库进行检索增强的生成（RAG）查询。在这些复杂的应用中，LCEL 提供了 RunnableMap、RunnableParallel 等原语来并行化组件、动态配置内部链等。
如何学习大模型
现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。
作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。
下面这些都是我当初辛苦整理和花钱购买的资料，现在我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。
大模型学习路线
想要学习一门新技术，你最先应该开始看的就是学习路线图，而下方这张超详细的学习路线图，按照这个路线进行学习，学完成为一名大模型算法工程师，拿个20k、15薪那是轻轻松松！
视频教程
首先是建议零基础的小伙伴通过视频教程来学习，其中这里给大家分享一份与上面成长路线&学习计划相对应的视频教程。文末有整合包的领取方式
技术书籍籽料
当然，当你入门之后，仅仅是视频教程已经不能满足你的需求了，这里也分享一份我学习期间整理的大模型入门书籍籽料。文末有整合包的领取方式
大模型实际应用报告合集
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。文末有整合包的领取方式
大模型落地应用案例PPT
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。文末有整合包的领取方式
大模型面试题&答案
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。文末有整合包的领取方式
领取方式
这份完整版的 AI大模型学习籽料我已经上传CSDN，需要的同学可以微⭐扫描下方CSDN官方认证二维码免费领取！
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
