LangChain学习

1、LangChain主要用于开发LLM应用

chain可以理解成一个pipeline。构建各种各样的pipeline。

2、可以自动定制prompt，解析输出格式

• 优化prompt格式，使得输出结果更好
• llm本身输出的只是一个字符串，自动解析为json等格式

3、memory机制，制作聊天机器人

• llm本身只有输入输出，无法对话，需要将历史对话也输入到prompt才能聊天
• 如对话使用的windowMemory（对话句子）， TokensMemory（对话tokens），SummaryMemory（llm对历史对话生成摘要 ）
• rag使用的vector data memory
• 记住某人的信息的entity memory
• 数据存为sql数据库
• 多种memory可以混合使用

4、chain

• LLMChain，将模型与prompt融合就是 一个chain
• simpleSequentialChain，单个输入单个输出，串联多个chain
• SequentialChain，多个输入多个输出
• routerChain，中间有逻辑判断，选择走哪一个chain

利用这些chain可以开发各种各样的功能了，如做一个论文阅读助手，不用写很长的prompt，可以将任务拆解为一个一个的chain，然后实现了。

5、文档问答系统

本质是一个RAG

• 特别长的文档（超出llm的token限制了 ），使用embedding和vector进行存储，
  
  将文档拆成很多小块，然后存成向量，将问题与向量库进行匹配，找到相关的内容，然后将内容送入llm进行回答。这样就不用把整个文档给大模型了！！！！

在longchain里面可以拆成几步实现，也可以一步实现。

检索到的内容送入llm有两种方式：

• stuff method：直接把结果送入llm，文档比较小的时候很好用。
• 文档比较大，推荐map-reduce等方法。

6、评估

• 自己构建测试集评价
• 根据QAgenerateChain借助llm自动根据文档生成问题和答案
• 通过langchain.debug=True,看详细的中间 运行结果
• 通过llm自动评价，eval_chain 自动输出结果，自动判断是否正确。比很多公开的指标评价更好，因为答案与回答字符可能完全不同，但是意思是一样的。另外现在的llm能力已经很强了，所以可以做这个事情。
  

7、Agent

一方面将llm看作知识压缩库；另一方面，将llm看作推理引擎。agent就是后者，把llm和其他api结合，将llm作为一个推理引擎，调用各种api完成各种功能

• 使用agent完成计算（调用计算器），完成百科问答（调用维基百科）
• 使用python agent写代码，并调用python编译器自动输出代码结果
• 利用tool开发自己的agent，如时间查询

8、和LlamaIndex对比

llamaIndex更专注于RAG相关的任务。如问答机器人等
LangChain但是更适合开发应用，增加各种附加功能，当然也可以做RAG。

参考：
https://www.bilibili.com/video/BV1XC411n72m/?p=3&spm_id_from=pageDriver&vd_source=d141bc07699831d8053b781fd6944d5f
https://www.53ai.com/news/qianyanjishu/2024062417063.html