本节包含对 LangChain 关键部分的介绍。 架构 LangChain 作为一个框架由多个包组成。 langchain-core 该包包含不同组件的基本抽象以及将它们组合在一起的方法。此处定义了LLM、向量存储、检索器等核心组件的接口。这里没有定义第三方集成。依赖项有目的地保持非常轻量级。 LangChain Core 包含为 LangChain 生态系统的其余部分提供基础的抽象。拥有这些抽象
欢迎关注微信公众号【千练极客】，尽享更多干货文章！ 本教程将使您熟悉LangChain的向量存储和检索器抽象。这些抽象旨在支持从（向量）数据库和其他来源检索数据，以便与LLM工作流集成。它们对于获取数据作为模型推理的一部分进行推理的应用程序很重要，例如检索增强生成或RAG（请参阅我们的RAG教程这里）。 概念 这个指南专注于文本数据的检索。我们将涵盖以下概念： 文档； 向量存储； 检索器。
概览 我们将介绍一个如何设计和实现LLM驱动的聊天机器人的示例。这个聊天机器人将能够进行对话并记住以前的交互。 请注意，我们构建的聊天机器人只使用语言模型进行对话。您可能还在寻找其他几个相关概念： 对话式RAG：在外部数据源上实现聊天机器人体验 代理：构建可以执行操作的聊天机器人 本教程将介绍基础知识，对于这两个更高级的主题将会有所帮助。 概念 以下是我们将要使用的一些高级组件： Chat
什么是大语言模型？ 大语言模型是一种人工智能模型，通常使用深度学习技术（如神经网络）来理解和生成人类语言。这些模型拥有非常多的参数，可以达到数十亿甚至更多，使得它们能够处理高度复杂的语言模式。 我们可以将大语言模型视为一个巨大的预测机器，其训练过程基于“猜词”任务：给定一段文本的开头，模型需要预测下一个词是什么。通过大量的训练数据（如互联网上的文本），模型试图理解词语和词组的用法和含义，以及它们如
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
