Langchain介绍

前言

想象一下，如果你能让聊天机器人不仅仅回答通用问题，还能从你自己的数据库或文件中提取信息，并根据这些信息执行具体操作，比如发邮件，那会是什么情况？Langchain 正是为了实现这一目标而诞生的。
备注：本系列文章基于B站课程： 马士兵-AI大模型全套教程（学习路线+LLM大语言模型+RAG实战+Langchain+ChatGLM-4+Transformer+DeepSeek） 学习整理得到。

1、Langchain 是什么

Langchain 是一个用于开发由大型语言模型 （LLM） 提供支持的应用程序的框架。
它允许开发人员像 GPT-4 这样的大型语言模型与外部的计算和数据源结合起来。

Lanchain 通过三个核心组件实现增强：

• 首先是 Compents “组件”，为 LLMs 提供接口封装、模版提示和信息检索索引；
• 其次是 Chains “链”，它将不同的组件结合起来解决特定的任务，比如在大量文本中查找信息；
• 最后是 Agents “代理”，它们使得 LLMs 能够与外部环境进行交互，例如通过 API 请求执行操作。

2、为什么要用 Langchain

理由：

• 数据连接：Langchain 允许你将大型语言模式连接到你自己的数据源，比如数据库、PDF文件或其他文档。这意味着你可以使模型从你的私有数据中提取信息。
• 行动执行：不仅可以提取信息，Langchain 还可以帮助你根据这些信息执行特定操作，比如发送邮件。

3、Langchain 的核心

• 模型 Models：包装器允许你连接到大型语言模型，如 GPT-4 或 Hugging Face 也包括 GLM 提供的模型；
• Prompt Templates：这些模版让你避免硬编码文本输入。你可以动态地将用户输入插入到模版中，并发送给语言模型；
• Chains：链允许你将多个组价组合在一起，解决特定的任务，并构建完整的语言模型应用程序；
• Agents：代理允许语言模型与外部 API 交互；
• Embeddings 嵌入与向量存储 VectorStore 是数据表示和检索的手段，为模型提供必要的语言理解基础；
• Indexes：索引帮助你从语言模型中提取相关信息。

4、Langchain 的底层原理

举例：如上图所示展示了一个智能问答系统的工作流程：

1. 从用户提出的问题（Question）开始，然后通过相似性搜索（Similarity Search）在一个大型数据库或向量空间中找到与之相关的信息；
2. 得到的信息与原始问题结合后，由一个处理模型分析，以产生一个答案（Anwser）；
3. 这个答案接着被用来指导一个代理采取行动（Action），这个代理可能会执行一个 API 调用或与外部系统交互以完成任务

整个流程反应了数据驱动的决策过程，其中包含了从信息检索到处理，再到最终行动的自动化步骤。

5、Langchain 的应用场景

Langchain 的应用场景非常广泛，包括但不限于：

• 个人助手：可以帮助预定航班、转账、减税等；
• 学习辅助：可以参考整个课程大纲，帮助你更快地学习材料；
• 数据分析和数据科学：连接到公司的客户数据或市场数据，极大地促进数据分析的进展。