LLM之LangChain（一）| LangChain六大核心模块简要汇总

最新推荐文章于 2025-03-11 11:36:19 发布
最新推荐文章于 2025-03-11 11:36:19 发布
阅读量2.9k 收藏 31
点赞数 23
分类专栏： ChatGPT 笔记 文章标签： langchain python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wshzd/article/details/135464701
版权

声明：本文主要内容来自以下书籍《LangChain入门指南：构建高可复用、可扩展的LLM应用程序》和LangChain官网，非常感谢作者的贡献，由于作者有版权限制，因此在这里声明，如果涉及侵权，请联系我删除此文章。

【LangChain中文网出品】《LangChain入门指南：构建高可复用、可扩展的LLM应用程序》

5折粉丝优惠：https://u.jd.com/JisePtB

💡全面介绍LangChain技术，学会逐步构建自己的LLM应用程序

💡实用案例和示例代码助你快速上手

💡LangChain中文网出品，与社区互动，共享经验与解决难题

💡从基本模型到链式编程再到最佳实践等提供了细致、深入的指导和案例演示

       2023年是LLM（大语言模型）的元年，在这一年底座大模型，微调大模型，部署大模型并驾齐驱，发展的如火如荼。然而，目前的大模型并非完美，上下文窗口有限，幻觉问题等等问题，而各大厂商的大模型的API接口、数据格式和工具难以统一，而像LangChain和LlamaIndex这样的大模型应用框架解决了大模型“最后1公里”。

       之前我对LangChain比较零散的使用过，本文将对LangChain的六大核心模块中重要概念进行罗列，希望可以给读者一个更清晰更全面的应用指导。六大核心模块，如下图所示：

PS：由于LangChain社区发展快，所以此思维导图持续更新中......

LangChain六大模块

一、Model I/O

1.1 模型包装器

       LLM主要分为续写（Completion）和聊天（Chat Completion）两种模式，LangChain也同样适配。

- 01 LLM模型包装器

       LangChain已经实现了50种不同大语言模型的Completion类型API的包装器，包括OpenAI、Llama.cpp、Cohere、Anthropic等。OpenAI的Text Completion类型API在2023年7月进行最后一次更新，2020-2022年的模型text-davinci-003、text-davinci-002、Davinci、Curie、Babbage、Ada等只能通过Completion接口访问，而像GPT-3.5-Turbo、GPT-4等模型的访问可以通过Chat Completion来访问。

- 02 聊天模型包装器

- 01 ChatOpenAI：用于包装OpenAI Chat大语言模型（如GPT-4和GPT-3.5-Turbo）

- 02 AzureChatOpenAI：用于包装Azure平台上的OpenAI模型

- 03 PromptLayerChatOpenAI：用于包装PromptLayer平台上的OpenAI模型

- 04 ChatAnthropic：用于包装Anthropic平台上的大语言模型

- 05 ChatGooglePalm：用于包装Google Palm平台上的大语言模型

- 06 Chat Vertex AI：用于包装Vertex AI平台上的大语言模型，如Vertex AI的PaLM API中包含了Google的PaLM2的端点

1.2 提示词模板管理

       Prompt对于LLM来说非常重要，而LangChain为复杂的Prompt预置了很多模板，常见的如下所示：

- 01 PromptTemplate包装器

- 02 ChatPromptTemplate包装器

- 03 FewShotPrompt Template模板

- 04 多功能提示词模板

1.3 输出解析器

        LLM的输出经常会被应用于下游任务，比如在Prompt中添加“请输出JSON格式”，但模型返回的字符串形式JSON还需要进行转换为JSON对象，但在实际使用中，常常会遇到异常，因此LangChain退出了输出解析器来解决上述问题，常见的输出解析器如下所示：

- 01 BooleanOutputParser：用于解析布尔值类型的输出

- 02 CommaSeparatedList OutputParser：用于解析以逗号分隔的列表类型的输出

- 03 DatetimeOutputParser：用于解析日期时间类型的输出

- 04 EnumOutputParser：用于解析枚举类型的输出

- 05 ListOutputParser：用于解析列表类型的输出

- 06 PydanticOutputParser：用于解析符合Pydantic大语言模型需求的输出

- 07 StructuredOutputParser：用于解析具有特定结构的输出

二、Retrieval

2.1 数据加载器

       LLM并不完美，比如训练数据是有时间限制的，GPT-4训练数据日期截止到2023年4月，也就是说GPT-4并不能回答2023年4月之后世界发生的事情。LangChain通过支持RAG功能来添加辅助数据来缓减LLM知识更新的问题，一定程度上可以缓减幻觉。LangChain支持的数据源格式，如下所示：

- 01 CSV：CSVLoader

- 02 文件目录：DirectoryLoader

- 03 HTML：HTMLLoader

- 04 JSON：JSONLoader

- 05 Markdown：MarkdownLoader

- 06 PDF文档加载：

  • PyPDF文档加载器
  • 在线PDF文档加载器
  • PyPDFium2文档加载器
  • PDFMiner文档加载器
  • PyMuPDF文档加载器
  • PyPDFDirectoryLoader文档加载器
  • PDFlumberLoader文档加载器

2.2 嵌入模型包装器

- 01 自然语言模型嵌入

  • OpenAIEmbeddings
  • HuggingFaceEmbeddings
  • HuggingFaceHubEmbeddings
  • HuggingFaceInstructEmbeddings
  • SelfHostedHuggingFaceEmbeddings
  • SelfHostedHuggingFaceInstructEmbeddings

- 02 AI平台或云服务嵌入

  • Elasticsearch
  • SagemakerEndpoint
  • DeepInfra

- 03 专门的嵌入模型

  • AsymmetricSemanticEmbedding
  • SymmetricSemanticEmbedding

- 04 子托管嵌入

  • SelfHostedEmbeddings

- 05 仿真或测试嵌入

  • FakeEmbeddings

- 06 其他类型

  • Cohere
  • LlamaCpp
  • ModelScope
  • TensorflowHub
  • MosaicMLInstructor
  • MiniMax
  • Bedrock
  • DashScope
  • Embaas

2.3 文档转换器

- 01 按字符切割

- 02 代码切割：RecursiveCharacterTextSplitter

- 03 Markdown标题文本切割器：MarkdownHeaderTextSplitter

- 04 按字符递归切割

- 05 按Token切割

  • Tiktoken标记切割器
  • SpaCyTextSplitter标记切割器
  • SentenceTransformersTokenTextSplitter标记切割器
  • NLTKTextSplitter标记切割器
  • Hugging Face标记切割器

2.4 向量存储库

- 01 FAISS

- 02 Chroma

- 03 Pinecone

- 04 Zilliz

2.5 检索器

- 01 自查询检索器

- 02 时间加权向量存储检索器

- 03 向量存储支持的检索器

- 04 网络研究检索器

三、Chains

       Chain是LangChain中非常重要的组件，作用是管理应用程序中的数据流动，可以把不同组件（或者其他Chain组件）链接在一起，从而构建完整的数据处理流程。常见的Chain，如下所示：

3.1 基础链

- 01 LLMChain

- 02 路由链

- 03 顺序链

3.2 文档链

- 01 Stuff链

- 02 Refine链

- 03 MapReduce链

- 04 重排链

四、Agents

4.1 Agent类型

- 01 Action Agent

  • ZERO_SHOT_REACT_DESCRIPTION
  • REACT_DOCSTORE
  • SELF_ASK_WITH_SEARCH
  • CONVERSATIONAL_REACT_DESCRIPTION
  • CHAT_ZERO_SHOT_REACT_DESCRIPTION
  • CHAT_CONVERSATIONAL_REACT_DESCRIPTION
  • STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

- 02 langchain.experimental

- 01 Plan and Execute Agent

- 02 Autonomous Agent

  • Baby AGI

- 03 Generative Agent

  • 模拟斯坦福小镇多智能体

4.2 Tools组件

4.3 Toolkits组件

4.4 AgentExecutor组件

五、Memory

       LLM实际上是无记忆的，在聊天机器人中，历史消息是非常重要的，LangChain使用Memory组件来存储历史信息，下面是常见的Memory类型：

  • 01 ConversationTokenBufferMemory
  • 02 ConversationBufferMemory
  • 03 ConversationBufferWindowMemory
  • 04 ConversationEntityMemory
  • 05 ConversationKGMemory
  • 06 CombinedMemory
  • 07 ReadOnlySharedMemory
  • 08 SQLChatMessageHistory
  • 09 MongoDBChatMessageHistory
  • 10 DynamoDBChatMessageHistory

六、Callbacks

       在IT领域中，回调是一个非常重要的概念。回调处理器允许开发者在特定事件发生时执行自定义操作，在许多场景中非常有用，比如日志记录、性能监控、流式处理等。下面是设置Callback的一些事件：

6.1 LLM事件

- 01 on_llm_start

- 02 on_llm_new_token

- 03 on_llm_end

- 04 on_llm_error

6.2 聊天模型事件

- 01 on_chat_model_start

6.3 链事件

- 01 on_chain_start

- 02 on_chain_end

- 03 on_chain_error

6.4 工具事件

- 01 on_tool_start

- 02 on_tool_end

- 03 on_tool_error

6.5 其他事件

- 01 on_text

- 02 on_agent_action

- 03 on_agent_finish

总结：

       本文主要是对LangChain六大核心组件基本概念以及列出重要组件的介绍，但是由于内容多，而且LangChain更新快，尽量展示出更多的内容，但缺少更多介绍细节，也难免有遗漏，敬请期待后续更新更多内容......

参考文献：

[1] https://python.langchain.com/docs

[2] https://u.jd.com/JisePtB

【大模型应用开发 动手做AI Agent】LangChain中的六大模块
AI天才研究院
06-24 862
【大模型应用开发 动手做AI Agent】LangChain中的六大模块 1.背景介绍 在人工智能领域，特别是自然语言处理（NLP）和大模型应用开发中，LangChain作为一个强大的工具链，正在迅速崛起。LangChain提供了一系列模块化的组件，帮
【大模型应用开发 动手做AI Agent】AutoGPT实战
AI天才研究院
11-08 603
AI大模型是指一种基于深度学习技术，通过预训练和微调等手段，能够处理大规模数据并进行复杂任务的大规模神经网络模型。深度神经网络（Deep Neural Network, DNN）：由多层神经元组成的神经网络，能够通过反向传播算法不断优化模型参数，实现对数据的特征提取和分类。预训练（Pre-training）：在特定任务之前，使用大规模无标签数据对模型进行训练，使其获得通用的特征表示能力。微调（Fine-tuning）
轻松上手 LangChain 6大模块之 Chains
musicml的博客
03-22 1270
▼最近直播超级多，预约保你有收获—1—LangChain 6大模块是什么？LangChain 是 AI 大模型应用开发框架，由6个模块组成，分别为：Model IO、Retrieval、Chains、Memory、Agents 和 Callbacks。Model IO：AI 应用的核心部分，其中包括输入、Model和输出。Retrieval：该功能与向量数据库密切相关，是在向量数据库中搜索与问题...
LangChain学习——核心组件
pumpkin84514的博客
04-04 2124
​组件：用于处理语言模型的可组合工具和集成。无论你是否使用 LangChain 框架的其余部分，组件都是模块化的，易于使用现成的链：用于完成高级任务的组件的内置组合现成的链使得开始变得容易。组件使得定制现有链和构建新链变得容易。LangChain 库本身由几个不同的包组成。：基础抽象和 LangChain 表达式语言。：第三方集成。langchain：构成应用程序认知架构的链、代理和检索策略。
大白话学langchain：什么是 Langchain 及其核心概念（附教程）
DEVELOPERAA的博客
03-11 1441
在AI和机器学习领域，每天都有新技术和框架涌现。今天，我们来聊聊最近引起广泛关注的一个框架 —— Langchain。
AI大语言模型LLM学习-Token及流式响应
fengqiuhuang123的专栏
09-06 1472
比较官方的token解释：Token是对输入文本进行分割和编码时的最小单位。它可以是单词、子词、字符或其他形式的文本片段。
快速入门LangChain的六大核心模块之Agents
chatKnowhow的博客
08-12 463
使用@tool装饰器定义一个名为get_word_length的函数，用于计算单词的长度。@tool创建对话历史定义一个常量MEMORY_KEY，用于存储对话历史的键名。创建代理和代理执行器system_message = SystemMessage(content="你是非常强大的助手，但不善于计算单词的长度。")运行聊天机器人通过agent_executor.run方法向聊天机器人发送问题，例如"耕耘一词中有几个字？"和"它是个真正的词汇吗？
大模型面试题系列 | LangChain 包含哪些核心模块？
Code1994的博客
07-24 1337
LangChain 中包含加载简单 txt 文件的文档加载器，用于加载任 何网页的文本内容的加载器，甚至还包含用于加载 YouTube 视频的转录稿的加载器。在核心逻辑执行完毕并在返回答复之前，链会将这一轮的输入和输出都保存到记忆系统中，以 便在将来使用它们。在链中，操作序列是硬编码在代码中的。旨在处理文档，以完成各种转换任务，如将文档格式化为 Q&A 形式，去除文档中的冗余内容等，从而更好地满足不同应用程序的需求。许多大语言模型应用需要用户特定的数据，这些数据不是模型的训练集的一部分。
深入探索LangChain核心模块：构建高效AI应用的基石
hai40587的博客
12-26 622
LangChain的核心模块共同构成了一个强大且灵活的框架，使得开发者能够高效地构建和部署基于大语言模型的应用程序。模型I/O模块负责与大模型进行交互，数据连接模块支持从外部数据源加载和处理数据，链模块将各个逻辑单元串联起来形成完整的业务流程，记忆模块用于保存和检索应用运行期间的信息，代理模块用于构建智能代理，回调模块用于在特定事件发生时执行自定义逻辑。通过合理利用这些核心模块，开发者可以创建出功能丰富、性能优越的AI应用，满足各种业务需求。
langchain模块-模型
vantoo2014的博客
04-29 556
文档的这一部分涉及 LangChain 中使用的不同类型的模型。在此页面上，我们将在较高层次上介绍模型类型，但我们为每种模型类型提供了单独的页面。这些页面包含使用该模型的更详细的“操作方法”指南，以及不同模型提供商的列表。大型语言模型 (LLM) 是我们涵盖的第一类模型。这些模型将文本字符串作为输入，并返回文本字符串作为输出。聊天模型是我们涵盖的第二种类型的模型。这些模型通常由语言模型支持，但它们的 API 更加结构化。具体来说，这些模型将聊天消息列表作为输入，并返回聊天消息。
langchain主要模块(三)：Chain
qq128252的博客
09-13 1278
链允许我们将多个组件组合在一起，创建一个单一而连贯的应用程序。例如，我们可以创建一个链，接受用户输入，使用 PromptTemplate 进行格式化，然后将格式化的响应传递给 LLM。我们可以通过将多个链组合在一起或将链与其他组件组合来构建更复杂的链。
一文搞懂AI大模型算力之GPU的概念、工作原理
2401_85377976的博客
07-15 1362
一言以蔽之，GPU不管是处理图形渲染、数值分析，还是处理AI推理。底层逻辑都是将极为繁重的数学进行任务拆解，化繁为简。然后，利用GPU多流处理器的机制，将大量的运算拆解为一个个小的、简单的运算，并行处理。我们也可以认为一个GPU就是一个集群，里面每个流处理器都是一颗CPU，这样就容易理解了。以上是关于GPU概念、工作原理的简要介绍。说是简单，其实在图形处理方面，还有很多深层次的处理逻辑没有展开，比如像素位置变换、三角原理等等。感兴趣的小伙伴可以深入研究下。​。
大模型训练和推理
weixin_45325331的博客
02-27 4404
大模型训练moe是指混合专家（Mixture-of-experts，简称MoE）的，这是一种用于提高大型神经网络性能的技术，它可以将模型的一部分替换为多个专家，每个专家只负责处理一部分输入数据，从而增加模型的参数量和表达能力，同时减少计算量和训练时间。指令可以作为模型的输入的一部分，也可以作为模型的输出的一部分，具体取决于任务的类型。上下文扩展技术的，这是一种用于提高大型语言模型（LLM）对长文本的处理能力的技术，它可以让模型在不增加参数量的情况下，扩展其注意力范围，从而提高模型的语言理解和生成能力。
【AI大模型企业级应用开发实战】企业级应用集成AI大模型的架构，包括大模型概述、集成实践、技术架构设计及应用场景《AI大模型应用架构（ALLMA）白皮书》
热门推荐
AI天才研究院
06-30 1万+
随着大模型浪潮的兴起，生产力将发生质的变化，从而引发生产力和生产关系的重塑。随着模型能力的提升和使用成本的降低，基于大模型构建应用将成为主流趋势。然而，应用层能否与大模型高效交互，将成为产品方案探索效率和效果的关键因素。因此，在模型之上的工程架构中，必须构建一套完整的大模型交互管道（Interface），将应用层（Application） 和模型层（Model）进行串联，为诸如Prompt Engineering、Fine-Tuning和模型评估等关键环节提供全面支持，以实现产品方案探索的降本增效 ....
【大模型微调】一文掌握7种大模型微调的方法
lvaolan123456的博客
06-19 1158
本篇文章深入分析了大型模型微调的基本理念和多样化技术，细致介绍了LoRA、适配器调整(Adapter Tuning)、前缀调整(Prefix Tuning)等多个微调方法。详细讨论了每一种策略的基本原则、主要优点以及适宜应用场景，使得读者可以依据特定的应用要求和计算资源限制，挑选最适合的微调方案。大型语言模型(LLM)的训练过程通常分为两大阶段：阶段一：预训练阶段在这个阶段，大型模型会在大规模的无标签数据集上接受训练，目标是使模型掌握语言的统计特征和基础知识。
人工智能的黄金链条：LangChain核心模块Chains解析
慕漓的博客
12-13 1546
Chain 作为 LangChain 的核心模块之一，重要性不言而喻，它相当于是所有复杂逻辑的基础，用来将每个零散的逻辑串联成一整个业务流程，Chain 的设计非常巧妙，可以说是大模型应用的最佳实践之一。串联式调用语言模型链的一种，简单的串联每个步骤（Chain 实例），每个步骤都有单一的输入/输出，并且一个步骤的输入是下一个步骤的输出。其中绿色的部分就是请求大模型时发送的完整数据，通过查看发送的数据，可以更有效的了解调用细节、排查问题。后续在练习的过程中，尝试基于以上的示例代码再添加几条分支逻辑。
小白入门大模型：LangChain（附教程）
2301_81888214的博客
02-27 1340
Langchain是一个语言模型的开发框架，主要是利用大型LLMs的强大得few-shot以及zero-shot泛化能力作为基础，以Prompt控制为核心基础，让开发者可以根据需求，往上快速堆叠应用，简单来说： LangChain 是基于提示词工程(Prompt Engineering)，提供一个桥接大型语言模型(LLMs)以及实际应用App的胶水层框架。
langchain主要模块(五)：Agent以及Wandb
qq128252的博客
09-14 2289
Agent：这是一个类，负责决定下一步要采取什么行动。它由语言模型和提示驱动。提示可以包括agent的性格、背景上下文以及用于引发更好推理的提示策略等。 Tools：这些是agent调用的函数。这里有两个重要的考虑因素：给agent提供正确的工具，以及以最有帮助的方式描述这些工具。 Toolkits：这是一组工具，用于完成特定的目标。LangChain提供了一系列的toolkits。 AgentExecutor：这是agent的运行时环境。它实际上调用agent并执行其选择的动作。
LangChain 核心概念学习（一）LangChain 架构解析
Code1994的博客
10-23 1513
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
langchain的六大模块
最新发布
04-02
<think>好的，我现在要回答用户关于LangChain的六大模块的问题。首先，我需要回忆一下LangChain的基本架构和各个模块的功能。LangChain是一个用于开发语言模型应用的框架，它通过模块化的方式帮助开发者构建复杂的应用。根据之前的了解，LangChain主要包含几个核心模块，比如模型输入/输出、数据连接、链式结构、记忆、代理和回调等部分。 不过，用户提到的“六大模块”可能是指官方的分类，我需要确认具体是哪六个。可能用户指的是官方文档中的核心模块划分。这时候需要确保我的记忆准确，或者是否需要查阅资料确认。不过，根据我的知识截止日期是2023年10月，LangChain的主要模块通常被分为以下几个部分： 1. **模型（Models）**：支持不同种类的模型，比如LLMs、聊天模型以及嵌入模型。 2. **提示（Prompts）**：管理提示模板，优化输入结构。 3. **索引（Indexes）**：处理外部数据的结合，如文档加载器、向量存储等。 4. **记忆（Memory）**：管理对话或交互中的状态记忆。 5. **链（Chains）**：将多个组件组合成工作流，执行复杂任务。 6. **代理（Agents）**：动态调用工具和模型以完成特定任务。 不过，有时候可能不同的资料会有不同的归类方式，比如是否将回调（Callbacks）单独作为一个模块。但根据常见的分类，六大模块通常是上述的模型、提示、索引、记忆、链和代理。需要确保这些信息正确，并且每个模块的功能描述准确。 接下来，我需要用中文清晰地分点介绍这六大模块，每个模块需要简明扼要地解释其作用和组成部分。要注意用户提到的系统级指令，比如行内数学表达式用$...$，但在这个问题中可能涉及较少数学内容，但如果有相关的例子需要符合格式。例如，在索引模块中可能提到向量嵌入的数学表示，如$v = \text{embed}(text)$，但需要确认是否有必要插入这样的例子。 另外，回答的结构要清晰，逐步介绍每个模块，帮助用户理解它们如何协同工作。需要检查是否有遗漏或错误，比如是否将“数据增强”或“回调”作为独立模块，但根据主流资料，六大模块应该如上述所列。最后，确保语言通顺，符合中文表达习惯，并且每个模块的解释准确无误。</think>LangChain 是一个用于构建大语言模型（LLM）应用的开发框架，其核心设计通过 **模块化** 帮助开发者灵活组合各类组件。以下是其六大核心模块的详细介绍： --- ### 1. **模型（Models）** - **作用**：对接多种类型的语言模型，提供统一接口。 - **分类**： - **大语言模型（LLMs）**：处理文本输入/输出，例如 GPT-3、Llama。 - **聊天模型（Chat Models）**：专为对话设计，如 ChatGPT，输入为结构化消息（`SystemMessage`, `HumanMessage`）。 - **嵌入模型（Embedding Models）**：将文本转换为向量，例如 $v = \text{embed}(\text{"hello"})$，用于语义检索。 --- ### 2. **提示（Prompts）** - **作用**：优化模型输入的构建方式，提升响应质量。 - **关键功能**： - **模板管理**：通过 `PromptTemplate` 动态生成提示（如 `"请用{style}风格解释{concept}"`）。 - **示例选择器（Example Selectors）**：根据输入动态选择示例，增强上下文学习能力。 --- ### 3. **索引（Indexes）** - **作用**：将外部数据与模型结合，解决 LLM 的“知识局限性”。 - **核心组件**： - **文档加载器**：从文本、PDF、网页等来源加载数据。 - **文本分割器**：按长度或语义切分文档。 - **向量存储**：存储嵌入向量，支持相似性检索（如 FAISS、Pinecone）。 --- ### 4. **记忆（Memory）** - **作用**：管理对话或交互中的历史状态，实现多轮上下文关联。 - **实现方式**： - **短期记忆**：保存单次对话的上下文（如 `ConversationBufferMemory`）。 - **长期记忆**：结合数据库存储历史记录，支持长期个性化交互。 --- ### 5. **链（Chains）** - **作用**：将多个模块组合成“工作流”，完成复杂任务。 - **类型**： - **简单链（Simple Chains）**：线性串联模型和功能（如模型A的输出作为模型B的输入）。 - **复杂链（Sequential Chains）**：支持分支、循环等逻辑，例如： $$ \text{用户输入} \rightarrow \text{意图识别} \rightarrow \text{数据库查询} \rightarrow \text{生成回答} $$ --- ### 6. **代理（Agents）** - **作用**：让模型动态调用工具（如搜索、计算、API），实现“自主决策”。 - **工作机制**： - **规划**：根据输入决定需要使用的工具序列。 - **执行**：调用工具并整合结果，例如： ``` 用户问：“北京今天的天气如何？” → 代理调用天气API → 获取数据 → 生成回答 ``` --- ### 模块协同示例 假设构建一个 **文献问答系统**，流程可能为： 1. **索引模块** 加载并向量化论文库。 2. **提示模块** 生成查询模板。 3. **代理模块** 根据用户问题检索相关段落。 4. **模型模块** 生成最终回答，并通过 **记忆模块** 记录对话历史。 通过这六大模块，LangChain 显著降低了开发 LLM 应用的门槛，同时保持了高度的灵活性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wshzd

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值