概述
如何能够基于 ChatGPT 搭建一个完整、全面的问答系统，
要搭建基于 ChatGPT 的完整问答系统，除去上一部分所讲述的如何构建 Prompt Engineering 外，还需要完成多个额外的步骤。 例如，处理用户输入提升系统处理能力，使用思维链、提示链来提升问答效果，检查输入保证系统反馈稳定，对系统效果进行评估以实现进一步优化等。 当 ChatGPT API 提供了足够的智能性，系统的重要性就更充分地展现在保证全面、稳定的效果之上。
关键步骤
- 处理用户输入：
○ 提升系统处理能力，确保能够理解各种用户输入。 - 使用思维链与提示链：
○ 提升问答效果，通过构建思维链和提示链来引导ChatGPT生成更准确的回答。 - 检查输入：
○ 确保输入的有效性和合理性，以提高系统稳定性和用户体验。 - 系统输出评估：
○ 对ChatGPT生成的回答进行评估，确保输出的全面性和准确性。
课程来源
基于吴恩达老师发布的《Building Systems with the ChatGPT API》课程，第二部分在第一部分的基础上，指导开发者如何基于ChatGPT API开发一个完整、全面的智能问答系统。通过实际代码实践，全面掌握基于ChatGPT开发问答系统的全流程，了解大模型开发的新范式。
实践建议
学习本部分内容时，建议充分演练所提供的代码，自我复现并结合个人兴趣、特长对代码进行增添、更改，以实现更个性化、定制化的问答系统。这一部分是开发者从理论到实践的最有力的实践基础。
- 简介 Introduction @Sarai
- 模型，范式和 token Language Models, the Chat Format and Tokens @仲泰
- 检查输入-分类 Classification @诸世纪
- 检查输入-监督 Moderation @诸世纪
- 思维链推理 Chain of Thought Reasoning @万礼行
- 提示链 Chaining Prompts @万礼行
- 检查输出 Check Outputs @仲泰
- 评估（端到端系统）Evaluation @邹雨衡
- 评估（简单问答）Evaluation-part1 @陈志宏
- 评估（复杂问答）Evaluation-part2 @邹雨衡
- 总结 Conclusion @Sarai
简介
LangChain的诞生和发展
通过对LLM或大型语言模型给出提示(prompt)，现在可以比以往更快地开发AI应用程序，但是一个应用程序可能需要进行多轮提示以及解析输出。
在此过程有很多重复代码需要编写，基于此需求，哈里森·蔡斯 (Harrison Chase) 创建了LangChain，使开发过程变得更加丝滑。
LangChain开源社区快速发展，贡献者已达数百人，正以惊人的速度更新代码和功能。
本章基本内容
LangChain 是用于构建大模型应用程序的开源框架，有Python和JavaScript两个不同版本的包。LangChain 也是一个开源项目，社区活跃，新增功能快速迭代。LangChain基于模块化组合，有许多单独的组件，可以一起使用或单独使用。
本模块将重点介绍 LangChain 的常用组件:
● 模型(Models)：集成各种语言模型与向量模型。
● 提示(Prompts):向模型提供指令的途径。
● 索引(Indexes):提供数据检索功能。
● 链(Chains):将组件组合实现端到端应用。
● 代理(Agents):扩展模型的推理能力。
通过学习使用这些组件构建链式应用，你将可以快速上手 LangChain，开发出功能强大的语言模型程序。让我们开始探索LangChain的魅力吧！
