一、什么是LangChain

Langchain是一个语言模型的开发框架，主要是利用大型LLMs的强大得few-shot以及zero-shot泛化能力作为基础，以Prompt控制为核心基础，让开发者可以根据需求，往上快速堆叠应用，简单来说：
LangChain 是基于提示词工程(Prompt Engineering)，提供一个桥接大型语言模型(LLMs)以及实际应用App的胶水层框架。

优势：

简单快速：不需要训练特定任务模型就能完成各种应用的适配，而且代码入口单一简洁，简单拆解LangChain底层无非就是Prompt指定，大模型API，以及三方应用API调用三个个核心模块。

泛用性广：基于自然语言对任务的描述进行模型控制，对于任务类型没有任何限制，只有说不出来，没有做不到的事情。这也是ChatGPT Plugin能够快速接入各种应用的主要原因。

劣势

大模型替换困难：LangChain主要是基于GPT系列框架进行设计，其适用的Prompt不代表其他大模型也能有相同表现，所以如果要自己更换不同的大模型(如：文心一言，通义千问…等)，则很有可能底层prompt都需要跟著微调。

迭代优化困难：在实际应用中，我们很常定期使用用户反馈的bad cases持续迭代模型，但是Prompt Engeering的工程是非常难进行的微调的，往往多跟少一句话对于效果影响巨大，因此这类型产品达到80分是很容易的，但是要持续迭代到90分甚至更高基本上是不太很能的。

新手应该了解哪些模块？

目前有七个模块在 LangChain 中提供，新手应该了解这些模块，包括模型（models）、提示（prompts）、索引（indexes）、内存（memory）、链（chains）和代理（agents）。

核心模块的概述

模型在高层次上有两种不同类型的模型：语言模型（language models）和文本嵌入模型（text embedding models）。文本嵌入模型将文本转换为数字数组，然后我们可以将文本视为向量空间。

在上面这个图像中，我们可以看到在一个二维空间中，“king”是“man”，“queen”是“woman”，它们代表不同的事物，但我们可以看到一种相关性模式。这使得语义搜索成为可能，我们可以在向量空间中寻找最相似的文本片段，以满足给定的论点。

例如，OpenAI 的文本嵌入模型可以精确地嵌入大段文本，具体而言，8100 个标记，根据它们的词对标记比例 0.75，大约可以处理 6143 个单词。它输出 1536 维的向量。

我们可以使用 LangChain 与多个嵌入提供者进行接口交互，例如 OpenAI 和 Cohere 的 API，但我们也可以通过使用 Hugging Faces 的开源嵌入在本地运行，以达到 免费和数据隐私 的目的。

现在，您可以使用仅四行代码在自己的计算机上创建自己的嵌入。但是，维度数量可能会有所不同，嵌入的质量可能会较低，这可能会导致检索不太准确。

LangChain中的模块，每个模块如何使用？

前提：运行一下代码，需要OPENAI_API_KEY（OpenAI申请的key）,同时统一引入这些库：

# 导入LLM包装器  
from langchain import OpenAI, ConversationChain  
from langchain.agents import initialize_agent  
from langchain.agents import load_tools  
from langchain.chains import LLMChain  
from langchain.prompts import PromptTemplate

LLM：从语言模型中输出预测结果，和直接使用OpenAI的接口一样，输入什么就返回什么。

llm = OpenAI(model_name="text-davinci-003", temperature=0.9) // 这些都是OpenAI的参数  
text = "What would be a good company name for a company that makes colorful socks?"  
print(llm(text))   
// 以上就是打印调用OpenAI接口的返回值，相当于接口的封装，实现的代码可以看看github.com/hwchase17/langchain/llms/openai.py的OpenAIChat

以上代码运行结果：

Cozy Colours Socks.

Prompt Templates：管理LLMs的Prompts，就像我们需要管理变量或者模板一样。

prompt = PromptTemplate(  
    input_variables=["product"],  
    template="What is a good name for a company that makes {product}?",  
)  
// 以上是两个参数，一个输入变量，一个模板字符串，实现的代码可以看看github.com/hwchase17/langchain/prompts  
// PromptTemplate实际是基于StringPromptTemplate，可以支持字符串类型的模板，也可以支持文件类型的模板

以上代码运行结果：

What is a good name for a company that makes colorful socks?

Chains：将LLMs和prompts结合起来，前面提到提供了OpenAI的封装和你需要问的字符串模板，就可以执行获得返回了。

from langchain.chains import LLMChain  
chain = LLMChain(llm=llm, prompt=prompt) // 通过LLM的llm变量，Prompt Templates的prompt生成LLMChain  
chain.run("colorful socks") // 实际这里就变成了实际问题：What is a good name for a company that makes colorful socks？

Agents：基于用户输入动态地调用chains，LangChani可以将问题拆分为几个步骤，然后每个步骤可以根据提供个Agents做相关的事情。

# 导入一些tools，比如llm-math  
# llm-math是langchain里面的能做数学计算的模块  
tools = load_tools(["llm-math"], llm=llm)  
# 初始化tools，models 和使用的agent  
agent = initialize_agent(  
    tools, llm, agent="zero-shot-react-description", verbose=True)  
text = "12 raised to the 3 power and result raised to 2 power?"  
print("input text: ", text)  
agent.run(text)

通过如上的代码，运行结果（拆分为两个部分）：

> Entering new AgentExecutor chain...  
 I need to use the calculator for this  
Action: Calculator  
Action Input: 12^3  
Observation: Answer: 1728  
Thought: I need to then raise the previous result to the second power  
Action: Calculator  
Action Input: 1728^2  
Observation: Answer: 2985984  
  
Thought: I now know the final answer  
Final Answer: 2985984  
> Finished chain.

Memory：就是提供对话的上下文存储，可以使用Langchain的ConversationChain，在LLM交互中记录交互的历史状态，并基于历史状态修正模型预测。

# ConversationChain用法  
llm = OpenAI(temperature=0)  
# 将verbose设置为True，以便我们可以看到提示  
conversation = ConversationChain(llm=llm, verbose=True)  
print("input text: conversation")  
conversation.predict(input="Hi there!")  
conversation.predict(  
  input="I'm doing well! Just having a conversation with an AI.")

通过多轮运行以后，就会出现：

Prompt after formatting:  
The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.  
  
Current conversation:  
  
Human: Hi there!  
AI:  Hi there! It's nice to meet you. How can I help you today?  
Human: I'm doing well! Just having a conversation with an AI.  
AI:  That's great! It's always nice to have a conversation with someone new. What would you like to talk about?

具体代码

如下：

# 导入LLM包装器  
from langchain import OpenAI, ConversationChain  
from langchain.agents import initialize_agent  
from langchain.agents import load_tools  
from langchain.chains import LLMChain  
from langchain.prompts import PromptTemplate  
# 初始化包装器，temperature越高结果越随机  
llm = OpenAI(temperature=0.9)  
# 进行调用  
text = "What would be a good company name for a company that makes colorful socks?"  
print("input text: ", text)  
print(llm(text))  
  
prompt = PromptTemplate(  
  input_variables=["product"],  
  template="What is a good name for a company that makes {product}?",  
)  
print("input text: product")  
print(prompt.format(product="colorful socks"))  
  
chain = LLMChain(llm=llm, prompt=prompt)  
chain.run("colorful socks")  
  
# 导入一些tools，比如llm-math  
# llm-math是langchain里面的能做数学计算的模块  
tools = load_tools(["llm-math"], llm=llm)  
# 初始化tools，models 和使用的agent  
agent = initialize_agent(tools,  
                         llm,  
                         agent="zero-shot-react-description",  
                         verbose=True)  
text = "12 raised to the 3 power and result raised to 2 power?"  
print("input text: ", text)  
agent.run(text)  
  
# ConversationChain用法  
llm = OpenAI(temperature=0)  
# 将verbose设置为True，以便我们可以看到提示  
conversation = ConversationChain(llm=llm, verbose=True)  
print("input text: conversation")  
conversation.predict(input="Hi there!")  
conversation.predict(  
  input="I'm doing well! Just having a conversation with an AI.")

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。