LangCadena

Componentes básicos

LangChain logra su funcionalidad a través de varias abstracciones clave:

• Modelos: Integraciones con varios LLM (como los de OpenAI) y Modelos de incrustación.
• Avisos: Herramientas para gestionar y optimizar los avisos enviados a los LLM, incluyendo plantillas de avisos y generación dinámica de avisos. Una ingeniería de avisos eficaz es crucial para guiar el comportamiento de los LLM.
• Cadenas: Secuencias de llamadas, ya sea a un LLM o a una utilidad diferente. Las cadenas simples pueden implicar una sola llamada al LLM, mientras que las cadenas complejas(encadenamiento rápido) pueden enlazar varias llamadas al LLM o interacciones con otras herramientas.
• Índices: Estructura los datos de forma que los LLM puedan interactuar fácilmente con ellos, lo que a menudo implica técnicas como crear incrustaciones y almacenarlas en una base de datos vectorial como Pinecone o Chroma para una búsqueda semántica eficaz.
• Memoria: Permite a las cadenas o agentes recordar interacciones anteriores, proporcionando contexto para conversaciones o tareas en curso. Esto es esencial para construir aplicaciones con estado, como los chatbots.
• Agentes: Permite a los LLM tomar decisiones sobre qué acciones realizar, utilizar herramientas (como motores de búsqueda o calculadoras), observar los resultados e iterar hasta completar una tarea. Esto permite una resolución de problemas más autónoma.

Relevancia en la IA y el aprendizaje automático

LangChain ha ganado una tracción significativa en la comunidad del Aprendizaje Automático (Machine Learning, ML) porque aborda los retos prácticos de construir aplicaciones del mundo real sobre LLMs. Mientras que marcos como PyTorch y TensorFlow son fundamentales para entrenar y definir modelos, LangChain se centra en la capa de aplicación, es decir, en orquestar el modo en que estos potentes modelos interactúan con sistemas y datos externos. Esto difiere de plataformas como Ultralytics HUB, que agilizan el proceso de entrenamiento de modelos personalizados, la gestión de conjuntos de datos y el despliegue de modelos, principalmente para tareas como la detección de objetos mediante modelos como Ultralytics YOLO11.

LangChain actúa como puente, permitiendo que las sofisticadas capacidades de procesamiento del lenguaje natural (PLN ) de los LLM se basen en contextos específicos o desencadenen acciones externas. Simplifica los flujos de trabajo complejos que, de otro modo, requerirían un importante código personalizado para las llamadas a la API, el manejo de datos y la gestión de estados.

Aplicaciones en el mundo real

LangChain permite una amplia gama de aplicaciones combinando la inteligencia LLM con recursos externos:

1. Respuesta a preguntas sobre documentos privados: Imagina que una empresa quiere un chatbot interno que pueda responder a las preguntas de los empleados basándose en documentos sobre la política de la empresa o manuales técnicos. LangChain puede utilizarse para construir un sistema de Generación Aumentada por Recuperación (RAG). Los documentos se cargan, se dividen, se incrustan y se almacenan en una base de datos vectorial. Cuando un usuario hace una pregunta, LangChain recupera trozos de documentos relevantes, los combina con la consulta del usuario en una pregunta, y la envía a un LLM para que genere una respuesta basada sólo en el contexto proporcionado. Así se aprovecha el razonamiento del LLM al tiempo que se restringen las respuestas a fuentes de datos específicas. Muchas herramientas internas de bases de conocimiento utilizan este patrón.
2. Agentes Autónomos para la Realización de Tareas: Un usuario podría pedir a un asistente de IA que "Resuma las últimas noticias sobre Ultralytics y redacte un correo electrónico a mi jefe sobre ello". Un Agente LangChain, impulsado por un LLM, podría decidir:
   • Utiliza una herramienta de búsqueda en Internet para encontrar artículos recientes sobre Ultralytics.
   • Utiliza una herramienta de resumen de textos (o el propio LLM) para condensar los resultados.
   • Utiliza una herramienta de correo electrónico (o redacta el texto) para redactar el mensaje basándote en el resumen.LangChain gestiona la secuencia de uso de la herramienta, la formulación del mensaje y el flujo de información entre los pasos, lo que permite al LLM actuar como un motor de razonamiento que orquesta diversas capacidades. Algunos ejemplos son los asistentes personales y las herramientas de investigación automatizadas.

LangChain y conceptos relacionados

Es útil distinguir LangChain de los términos relacionados:

• LLMs vs. LangChain: Los LLM (por ejemplo, GPT-3, Llama) son los modelos centrales que comprenden y generan texto. LangChain es un marco que utiliza estos LLM como componentes para construir aplicaciones. Orquesta la interacción entre los LLM y otras herramientas/datos.
• IngenieríaPrompt vs. LangChain: La ingeniería de instrucciones es el arte de crear instrucciones eficaces para los LLM. LangChain proporciona herramientas (como plantillas de instrucciones) para que la ingeniería de instrucciones sea más fácil y sistemática en el contexto de una aplicación, pero abarca mucho más, como la gestión de estados y la integración de herramientas.
• Transformadores deHugging Face vs. LangChain: La biblioteca Hugging Face Transformers proporciona acceso a miles de modelos preentrenados (incluidos muchos LLM) y herramientas para afinarlos y ejecutarlos. LangChain se integra a menudo con los modelos de Hugging Face , pero se centra en la tarea de alto nivel de crear aplicaciones en torno a estos modelos, más que en la implementación del modelo en sí.

LangChain proporciona un potente conjunto de herramientas para desarrolladores que buscan aprovechar las capacidades de los LLM para aplicaciones complejas y conscientes del contexto. Su diseño modular y su creciente ecosistema de integraciones lo convierten en una opción popular para construir la próxima generación de herramientas potenciadas por la IA. Puedes explorar más a fondo sus capacidades a través de la documentación oficial de LangChain y el repositorio LangChain GitHub.