LangChain+LLM实战---LangChain概述

news2024/9/23 3:16:42

LangChain介绍

LangChain是个开源的框架，它可以让AI开发人员把像GPT-4这样的大型语言模型(LLM)和外部数据结合起来。可以简单认为LangChain是LLM领域的Spring，以及开源版的ChatGPT插件系统。

LangChain的强大之处不仅能通过API调用语言模型，还可以执行如下功能：

数据感知：将语言模型连接到其他数据源
具有代理性质：允许语言模型与其环境交互

例如：GPT模型是用到2021年的数据训练的，这可能会有很大的局限性，如果能让GPT模型连接到自定义的数据和计算，就就会产生更多的可能性。LangChain可以让LLM在回答问题时参考整个数据库，可以让GPT模型访问最新的数据，比如报告、文档和网站信息。

LangChian可以将LLM 模型、向量数据库、交互层 Prompt、外部知识、外部工具整合到一起，进而可以自由构建 LLM 应用。

LangChain组件

LangChain提供了各种不同的组件来帮助使用LLM。其核心组件有Models、Indexes、Chains、Memory、Prompts以及Agent，如图所示：

将LangChain的核心组件按照逐渐增加的复杂性排列如下：

模型（models）：LangChain支持的各种模型类型以及模型集成。
提示（prompts）：LangChain提供了PromptTemplates，允许可以根据用户的输入来动态地更改提示。包括提示管理、提示优化和提示序列化。
记忆（memory）：内容记忆。记忆是在链/代理调用之间保持状态的概念。LangChain提供了标准的记忆接口、记忆实现及使用记忆的链/代理示例。
索引（indexes）：索引是指对文档进行结构化的方法，以便 LLM 能够更好的与之交互。该组件主要包括：Document Loaders（文档加载器）、Text Splitters（文本拆分器）、VectorStores（向量存储器）以及Retrievers（检索器）。
链（chains）：链不仅仅是单个LLM调用，还包括其他系列调用（无论是调用LLM还是不同的实用工具）。LangChain提供了标准的链接口、许多与其他工具的集成。LangChain提供了用于常见应用程序的端到端的链调用。
代理（agents）：代理涉及LLM做出行动决策、执行该行动、查看观察结果，并重复该过程直到完成。LangChain提供了标准的代理接口，许多可供选择的代理，以及端到端代理的示例。

LangChain实现原理

通过将大文档进行向量化表示，然后就可以用它和LLM一起工作，只检索需要引用的信息，来创建相关的提示-完成（prompt-completion）对。
当把提示输入到新的聊天机器人里，LangChain就会在向量存储里查询相关的信息，然后将信息和提示一起提供给LLM，生成需要的答案。

其实现流程：加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> query问句向量化 -> 在文本向量中匹配出与问句向量最相似的top k个 -> 匹配出的文本作为上下文和问题一起添加到 prompt中 -> 提交给 LLM生成回答，如图所示：

从文档处理角度来看，实现流程如下：

Docker虚拟磁盘文件迁移

使用Docker来实现LangChain+LLM的功能时，通常所使用的镜像比较大，即Docker虚拟磁盘文件ext4.vhdx会比较大。在Windows本地安装Docker Desktop时，ext4.vhdx默认在C盘下，随着docker run项目的增多会变得更大，所以往往会需要迁移到其他盘符，过程如下：

打开Windows CMD
查看docker状态和版本：wsl -l -v
其中docker-desktop-data需要迁移到其他盘
wsl --shutdown
导出docker-desktop-data
wsl --export docker-desktop-data D:\docker_data\docker-desktop-data.tar
注销 docker-desktop-data
wsl --unregister docker-desktop-data
重新导入docker-desktop-data
wsl --import docker-desktop-data E:\docker_data\data\ E:\docker_data\docker-desktop-data.tar --version 2