LangChain：简介和入门

Large Language Models (LLMs)在2020 年OpenAI 的 GPT-3 的发布而进入世界舞台 。从那时起，他们稳步增长进入公众视野。

直到 2022 年底。对LLM和更广泛的生成AI学科的兴趣激增。其原因可能是LLM取得重大进展的持续上升势头。

我们看到了关于谷歌 “有知觉的” LaMDA聊天机器人的戏剧性新闻。第一个高性能和 开源 的LLM称为BLOOM发布。OpenAI发布了他们的下一代文本嵌入模型和下一代 “GPT-3.5” 模型。

在LLM领域取得了所有这些巨大的飞跃之后，OpenAI发布了 ChatGPT ，将LLM推到了聚光灯下。

LangChain 大约在同一时间出现。它的创建人 Harrison Chase 哈里森·蔡斯于 2022 年10月下旬首次提交。在陷入LLM浪潮之前，留下短短几个月的开发时间。

尽管该库还处于早期阶段，但它已经充满了令人难以置信的功能，可以围绕LLM的核心构建令人惊叹的工具。在本文中，我们将介绍该库，并从 LangChain 提供的最直接的组件 — LLM 开始。

LangChain

LangChain的核心是围绕LLM构建的框架。我们可以将其用于聊天机器人， G enerative Q uestion-Answering（GQA）， 摘要等等。

该库的核心思想是，我们可以将不同的组件 “链接” 在一起，以围绕LLM创建更高级的用例。 链可以由来自多个模块的多个组件组成：

• 提示模板：提示模板是用于不同类型 提示的模板 。像“聊天机器人”样式模板、ELI5 问答等
• LLM ：大型语言模型，如GPT-3、BLOOM、ChatGLM等
• 代理： 代理是 使用 LLM 来决定应采取哪些操作，可以使用网络搜索或计算器等工具，并且所有这些都打包到操作的逻辑循环中。
• 记忆：短期 记忆 ，长期记忆。