LangChain

核心部件

LangChain 通过几个关键抽象实现其功能：

• 模型：与各种 LLM（如OpenAI 的 LLM）和嵌入模型集成。
• 提示：用于管理和优化发送给 LLM 的提示的工具，包括提示模板和动态提示生成。有效的提示工程对于指导 LLM 行为至关重要。
• 链：调用序列：调用 LLM 或其他工具的序列。简单的链可能只涉及一次 LLM 调用，而复杂的链（提示链）则可能涉及多次 LLM 调用或与其他工具的交互。
• 索引：以 LLM 可以轻松与之交互的方式构建数据，通常涉及创建嵌入并将其存储在Pinecone或Chroma等矢量数据库中以进行高效语义搜索等技术。
• 记忆：使链或代理能够记住以前的交互，为正在进行的对话或任务提供上下文。这对于构建聊天机器人等有状态应用程序至关重要。
• 代理：允许 LLMs 决定采取哪些行动，使用工具（如搜索引擎或计算器），观察结果，并不断重复，直至完成任务。这样就能更自主地解决问题。

人工智能和机器学习的相关性

LangChain 在机器学习（ML）社区获得了极大的关注，因为它解决了在 LLMs 上构建真实世界应用的实际挑战。虽然像 PyTorch和 TensorFlow等框架是训练和定义模型的基础，而 LangChain 则侧重于应用层--协调这些强大的模型与外部系统和数据的交互。这与Ultralytics HUB 等平台不同，后者简化了训练自定义模型、管理数据集和模型部署的过程，主要用于使用以下模型进行对象检测等任务 Ultralytics YOLO11.

LangChain 就像一座桥梁，让 LLM 复杂的自然语言处理（NLP）功能在特定的上下文中落地，或触发外部操作。它简化了复杂的工作流程，否则就需要大量的自定义代码来进行 API 调用、数据处理和状态管理。

实际应用

通过将 LLM 智能与外部资源相结合，LangChain 可实现广泛的应用：

1. 通过私人文件回答问题：想象一下，一家公司希望有一个内部聊天机器人，可以根据公司政策文件或技术手册回答员工的问题。LangChain 可用于构建一个检索-增强生成（RAG）系统。文档会被加载、拆分、嵌入并存储在矢量数据库中。当用户提出问题时，LangChain 会检索相关的文档块，将它们与用户的查询组合成一个提示，并将其发送给 LLM，以便仅根据所提供的上下文生成答案。这样既能利用 LLM 推理，又能将答案限制在特定数据源上。许多内部知识库工具都采用了这种模式。
2. 完成任务的自主代理： 用户可以要求人工智能助手 "总结有关Ultralytics 最新消息，并就此起草一封邮件发给我的经理"。由 LLM 驱动的 LangChain Agent 可以决定：
   • 使用网络搜索工具查找有关以下内容的最新文章 Ultralytics.
   • 使用文本摘要工具（或 LLM 本身）浓缩研究结果。
   • 使用电子邮件工具（或起草文本），根据摘要撰写信息。LangChain 可以管理工具使用顺序、提示制定以及各步骤之间的信息流，使 LLM 能够像推理引擎一样协调各种功能。例如，个人助理和自动研究工具。

语言链及相关概念

将 LangChain 与相关术语区分开来很有帮助：

• LLMs 与 LangChain：LLM（如 GPT-3、Llama）是理解和生成文本的核心模型。LangChain 是一个框架，使用这些 LLM 作为组件来构建应用程序。它协调 LLM 与其他工具/数据之间的交互。
• 提示工程与 LangChain：提示工程是为 LLM 制作有效输入的艺术。LangChain 提供了各种工具（如提示模板），使提示工程在应用上下文中变得更简单、更系统，但它包含的内容更多，包括状态管理和工具集成。
• Hugging Face Transformers与 LangChain： Hugging Face Transformers 库提供了数以千计的预训练模型（包括许多 LLM）以及用于微调和运行这些模型的工具。LangChain 经常与 Hugging Face 模型集成，但侧重于围绕这些模型构建应用程序的更高层次任务，而非模型实现本身。

LangChain 为开发人员提供了一个强大的工具包，帮助他们利用 LLM 的功能开发复杂的上下文感知应用程序。它的模块化设计和不断发展的集成生态系统使其成为构建下一代人工智能工具的热门选择。您可以通过LangChain 官方文档和LangChain GitHub 存储库进一步了解它的功能。