本章我们先直接上手LangChain体验一下，不要被吓到，先展示一下它的能力！
LangChain 中的 "RAG" 指的是 "Retrieval-Augmented Generation"，即检索增强生成。它是一种结合了检索（从大量数据中检索相关信息）和生成（基于检索到的信息生成文本）的技术，旨在改善和增强自然语言生成模型的性能。
FAISS向量检索，DocArrayInMemorySearch向量检索，astream_events 流输出
通过LangChain Template 编写了一个RAG的增强内容检索，同时通过chat history 来增强我们的对话，显然大模型对应的上下文，推测
【代码】LangChain-06 RAG With Source Doc 通过文档进行检索增强。
LangChain的方式进行数据库查询，通过编写SQL对DB进行读取，并返回运行的结果，我们需要下载一个LangChain官方提供的本地小数据库，同时需要编写一段Chain来达到我们的目的。
LangChain中的Runnables 可以很容易地用于将多个链串在一起。将定义的 chain1和chain2这种多个链都串联到一定，进行执行，方便我们进行扩展
【代码】LangChain-09 Query SQL DB With RUN GPT 查询数据库 并 执行SQL 返回结果。结合 上一节，根据我们的需求，生成SQL后，执行返回结果。
`LangChainHub` 的思路真的很好，通过Hub的方式将`Prompt` 共享起来，大家可以通过很方便的手段，短短的几行代码就可以使
这里是通过执行 Shell的方式来获取状态的。通过执行`Docker`指令之后，可以获取到一大段的文本内容，此时把这些内容交给大模型去处理，大模型对内容进行提取和推理，最终回答我们。- `注意@tool注解，没有这个注解的话，无法使用`- `注意要写"""xxx""" 要写明该工具的介绍，大模型将根据介绍来选择是否调用`- `如果3.5的效果不好，可以尝试使用4`
我们知道GPT模型对于内容的输出，是对下一个字符的预测，通过概率选出下一个文本。而且我们也知道，训练样本是非常庞大的，
此时如果type传入的不是数字，那我们就没法处理。比如用户说：`我想喝水`，此时我们的程序就无法进行了，会走到`else`分支下。那我们该如何处理这种问题？借助大模型的推理能力，可以帮助理解用户的问题，并推理出对应的方案。
平常我们的任务都是一次性会话，大模型是不会记录你的上下文的。如果我们要进行持续会话，或者希望大模型有记忆的话，我们需要对上下文进行管理。但这个过程是比较复杂的，`LangChain` 提供了一系列的工具来帮助我们简化过程。
我们在调用OpenAI的接口时，有些内容可能是违反条例的，所以官方提供了一个工具来检测。
- 涉及到Wikipedia的检索（有现成的插件）- 有`AgentExecutor`来帮助我们执行- 后续由于上下文过大， 我们通过计算`nu
LangChain的社区提供了很多封装好的工具，可以直接拿来用（有的需要申请和配置API KEY）。在 langchain.tools中（新
仅需要一行代码，统计当前API的调用花费情况，包含Tokens和Cost计算，我们将通过：`get_openai_callback` 函数，`Lang
Function Calling是一种允许用户在使用大型语言模型（如GPT系列）处理特定问题时，定制并调用外部函数的功能理能力。
可以将问答的内容缓存起来，如果是相同的问题，那么将会直接把答案返回去，可以节约费用和计算。通过InMemoryCac
LangChain 提供了多种文档加载器，包括但不限于以下几种：- TextLoader：用于从各种来源加载文本数据。- CSVLoader：用于加载 CSV 文件并
LangChain-24 Agengts 通过TavilySearch Agent实现检索内容并回答 AgentExecutor转换Search 借助Prompt Tools工具
LangChain提供了多种类型的Text Splitters，以满足不同的需求：- RecursiveCharacterTextSplitter：基于字符将文本划分，
Text Embedding在大模型中的应用是一个重要的技术，它涉及到将高维度的数据（如文本）映射到低维度空间的过程
- 通过DocumentLoader 加载了 word 文档- 通过 OpenAI Embedding 或 开源的 text2vec-base-chinese 对数
Custom Agent 自定义一个Agent并通过@tool绑定对应的工具 同时让大模型自己调用编写的@tools函数
大模型ReAct（Reasoning and Acting）是一种新兴的技术框架，旨在通过逻辑推理和行动序列的构建，使大型语言模型（LLM）能够达成特定的目标。这一框架的核心思想是赋予机器模型类似人类的推理和行动能力，从而在各种任务和环境中实现更高效、更智能的决策和操作。
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
