⚡ 通过组合composability构建LLMs的应用程序⚡
寻找JS/TS库？查看 LangChain.js.
使用pip:
pip install langchain使用conda:
conda install langchain -c conda-forgeLangChain 是一个用语言模型驱动的应用程序开发框架。它使得可以开发以下类型的应用程序：
- 具备上下文感知性：将语言模型连接到上下文来源（提示说明、少量示例、用于支撑其回应的内容等）。
- 推理：依赖于语言模型进行推理（根据提供的上下文如何回答，采取什么行动等）。
这个框架包含几个部分。
- LangChain库：Python和JavaScript库。包含各种组件的接口和集成，用于将这些组件组合成链和代理的基本运行时，以及链和代理的现成实现。
- LangChain模板：一系列易于部署的各种任务的参考架构。
- LangServe：一个用于将LangChain链部署为REST API的库。
- LangSmith：一个开发者平台，可让您调试、测试、评估和监视任何LLM框架构建的链，并与LangChain无缝集成。
此存储库包含 langchain (here), langchain-experimental (here), and langchain-cli (here) Python 包，以及 LangChain 模板.
❓ 检索增强生成 Retrieval augmented generation
- 文档
- 端到端示例 : Chat LangChain 和repo
💬 分析结构化数据
- 文档
- 端到端示例 : SQL Llama2 模板
🤖 聊天机器人
- 文档
- 端到端示例 : Web LangChain (web researcher chatbot) 和 repo
还有更多！前往用例部分了解更多信息。
LangChain库的主要价值主张包括：
- 组件：用于处理语言模型的可组合工具和集成。组件是模块化且易于使用的，无论您是否使用LangChain框架的其他部分。
- 现成的链：用于完成高级任务的内置组件组合
现成的链使您可以轻松入门。组件使您可以轻松自定义现有链并构建新链。
组件分为以下模块：
📃 模型输入/输出：
这包括提示管理、提示优化、通用的LLM接口以及用于处理LLM的常用实用工具。
📚 检索：
数据增强生成涉及特定类型的链，这些链首先与外部数据源交互，以获取用于生成步骤的数据。示例包括长文本摘要和特定数据源的问答。
🤖 代理：
代理涉及LLM决定采取哪些行动、采取该行动、看到一个观察结果，并重复该过程直到完成。LangChain提供了代理的标准接口、可供选择的代理以及端到端代理的示例。
请参阅这里以获取完整的文档，其中包括：