当前位置：首页 > wzjs >正文

医院做网站定位企业查询软件

wzjs 2025/8/13 1:42:53

医院做网站定位,企业查询软件,关于建设工程招标类的公共网站,网站建设与实践[声明] 本文参考:Langchain官方文档什么是LangChain? LangChain 是一个开源的、用于开发由大型语言模型 (LLM) 驱动的应用程序的框架。它的核心目标是将强大的 LLM（如 GPT-4, Claude, Llama 等）与外部数据源、计算资源和工具连接起来，从…

[声明]

本文参考:Langchain官方文档

什么是LangChain?

LangChain 是一个开源的、用于开发由大型语言模型 (LLM) 驱动的应用程序的框架。它的核心目标是将强大的 LLM（如 GPT-4, Claude, Llama 等）与外部数据源、计算资源和工具连接起来，从而构建更复杂、更有用、更具交互性的 AI 应用。

LangChain由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架，LLMs使用机器学习算法和海量数据来分析和理解自然语言，GPT3.5、GPT4是LLMs最先进的代表，国内百度的文心一言、阿里的通义千问也属于LLMs。LangChain自身并不开发LLMs，它的**核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度，方便开发者快速地开发复杂的LLMs应用。**LangChain目前有两个语言的实现：python和Nodejs。

Langchain的核心组件

一个LangChain的应用是需要多个组件共同实现的，LangChain主要支持6种组件：

Models：模型，各种类型的模型和模型集成，比如GPT-4
Prompts：提示，包括提示管理、提示优化和提示序列化
Memory：记忆，用来保存和模型交互时的上下文状态
Indexes：索引，用来结构化文档，以便和模型交互
Chains：链，一系列对各种组件的调用
Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止

Models组件介绍

现在市面上的模型多如牛毛，各种各样的模型不断出现，LangChain模型组件提供了与各种模型的集成，并为所有模型提供一个精简的统一接口。

LangChain目前支持三种类型的模型：LLMs、Chat Models(聊天模型)、Embeddings Models(嵌入模型）.

LLMs: 大语言模型接收文本字符作为输入，返回的也是文本字符.

LLMs (legacy):Older language models that take a string as input and return a string as output.
Chat Models(聊天模型): 基于LLMs, 不同的是它接收聊天消息(一种特定格式的数据)作为输入，返回的也是聊天消息.
Embedding Models(文本嵌入模型): 文本嵌入模型接收文本作为输入, 返回的是浮点数列表.

LangChain支持的三类模型，它们的使用场景不同，输入和输出不同，开发者需要根据项目需要选择相应。

LLMs (大语言模型)

LLMs使用场景最多，常用大模型的下载库：https://huggingface.co/models

Chat Models (聊天模型)

聊天消息包含下面几种类型，使用时需要按照约定传入合适的值：

AIMessage: 用来保存LLM的响应，以便在下次请求时把这些信息传回给LLM.
HumanMessage: 发送给LLMs的提示信息，比如“实现一个快速排序方法”.
SystemMessage: 设置LLM模型的行为方式和目标。你可以在这里给出具体的指示，比如“作为一个代码专家”，或者“返回json格式”.
ChatMessage: ChatMessage可以接收任意形式的值，但是在大多数时间，我们应该使用上面的三种类型.

LangChain支持的常见聊天模型有：

模型	描述
ChatOpenAI	OpenAI聊天模型
AzureChatOpenAI	Azure提供的OpenAI聊天模型
PromptLayerChatOpenAI	基于OpenAI的提示模版平台

在 Chat Model上使用提示词模板

提示模板就是把一些常见的提示整理成模板，用户只需要修改模板中特定的词语，就能快速准确地告诉模型自己的需求。

Embeddings Models(嵌入模型)

将字符串作为输入，返回一个浮动数的列表。在NLP中，Embedding的作用就是将数据进行文本向量化。

Embeddings Models可以为文本创建向量映射，这样就能在向量空间里去考虑文本，执行诸如语义搜索之类的操作，比如说寻找相似的文本片段。

不同的 Embedding 模型对多语言支持和文本类型有不同的特点：

多语言支持：
- text-embedding-ada-002：支持多种语言，但对中文等亚洲语言的支持相对较弱
- bge-large-zh：对中文有很好的支持
- multilingual-e5-large：对多语言都有较好的支持
文本类型适用性：
- 代码文本：建议使用专门的代码 Embedding 模型，如 CodeBERT
- 通用文本：可以使用 text-embedding-ada-002 或 bge-large-zh
- 专业领域文本：建议使用该领域的专门模型

Prompts

Prompt是指当用户输入信息给模型时加入的提示，这个提示的形式可以是zero-shot或者few-shot等方式，目的是让模型理解更为复杂的业务场景以便更好的解决问题。

提示模板：如果你有了一个起作用的提示，你可能想把它作为一个模板用于解决其他问题，LangChain就提供了PromptTemplates组件，它可以帮助你更方便的构建提示。

Agents (代理)

在 LangChain 中 Agents 的作用就是根据用户的需求，来访问一些第三方工具(比如：搜索引擎或者数据库)，进而来解决相关需求问题。

为什么要借助第三方库？

因为大模型虽然非常强大，但是也具备一定的局限性，比如不能回答实时信息、处理数学逻辑问题仍然非常的初级等等。因此，可以借助第三方工具来辅助大模型的应用。

几个重要概念:

Agent代理：

制定计划和思考下一步需要采取的行动。
负责控制整段代码的逻辑和执行，代理暴露了一个接口，用来接收用户输入。
LangChain提供了不同类型的代理（主要罗列一下三种）:
- zero-shot-react-description: 代理使用ReAct框架，仅基于工具的描述来确定要使用的工具.此代理使用 ReAct 框架确定使用哪个工具仅基于工具的描述。缺乏会话式记忆。
- structured-chat-zero-shot-react-description：能够使用多输入工具，结构化的参数输入。
- conversational-react-description：这个代理程序旨在用于对话环境中。提示设计旨在使代理程序有助于对话。它使用ReAct框架来决定使用哪个工具，并使用内存来记忆先前的对话交互。

Tool工具：