LangChain学习：使用大语言模型构建应用程序

思维导图

介绍

1. 是一个使用语言模型构建端到端的应用程序的强大框架
2. 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。

安装

快速入门

LLMs

LangChain的基本构建块是LLM，集成了各种大模型语言，它接收文本并生成文本。

Chat models

聊天模型是语言模型的变体。虽然聊天模型在后台使用语言模型，但它们公开的接口有点不同：它们不是公开“文本输入，文本输出”API，而是将聊天消息列表作为输入并返回聊天消息

支持参数

1. AIMessage
2. ChatMessage
3. SystemMessage
4. HumanMessage

predict 直接交互的接口

Prompt templates

大多数LLM应用程序不会将用户输入直接传递到LLM。通常，他们会将用户输入添加到称为提示模板的较大文本中，该文本为特定任务提供额外的上下文。

Chains

我们已经有了模型和提示模板，我们需要将两者结合起来。链为我们提供了一种将多个原语链接（或链接）在一起的方法，例如models、prompts和其他 chains

Agents

上面的链是运行确定的步骤，为了处理复杂工作流程，我们需要根据动态选择操作

代理工作过程

1. 使用语言模型确定执行操作和顺序
2. 访问和选择工作，运行并观察输出，直到得到最终答案

要运行代码

1. 选择模型：LLM/Chat Mode
2. 工具：google、数据库、Python REPL、Chains
3. Agent名字

在本次例子中使用SerpAPI来搜索引擎

Memory

Chain和Agent是无状态的，如果你想理解上下文消息就得使用 Memory，它允许您在给定最新运行输入和输出的情况下更新状态，并允许您使用存储（上下文）作为下一个输入。

有许多内置Memory系统。其中最简单的是buffer memory，它只是将最后几个输入/输出附加到当前输入