langchain - ⚡ 通过可组合性⚡使用 LLM 构建应用程序
Created at: 2022-10-17 10:58:36
Language: Python
License: MIT
🦜️🔗 LangChain（朗链）
⚡ 通过可组合性⚡使用 LLM 构建应用程序
正在寻找 JS/TS 库？查看 LangChain.js。
为了帮助你更快地将 LangChain 应用程序投入生产，请查看 LangSmith。LangSmith 是一个统一的开发人员平台，用于构建、测试和监控 LLM 应用程序。 填写此表格以退出候补名单或与我们的销售团队交谈。
快速安装
带点：
pip install langchain使用 conda：
conda install langchain -c conda-forge🤔 什么是LangChain？
LangChain是一个用于开发由语言模型驱动的应用程序的框架。它使应用程序能够：
- 具有上下文感知能力：将语言模型与上下文源（提示说明、少量镜头示例、基于其响应的内容等）联系起来。
- 原因：依靠语言模型进行推理（关于如何根据提供的上下文回答，采取什么行动等）
该框架由几个部分组成。
- LangChain库：Python和JavaScript库。包含无数组件的接口和集成，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：一系列易于部署的参考架构，适用于各种任务。
- LangServe：用于将 LangChain 链部署为 REST API 的库。
- LangSmith：一个开发者平台，可让你调试、测试、评估和监控基于任何 LLM 框架构建的链，并与 LangChain 无缝集成。
LangChain库本身由几个不同的软件包组成。
-
langchain-core：基础抽象和 LangChain 表达式语言。 -
langchain-community：第三方集成。 -
langchain：构成应用程序认知架构的链、代理和检索策略。
🧱 你可以用LangChain构建什么？
❓ 检索增强生成
- 文档
- 端到端示例：聊天 LangChain 和存储库
💬 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（网络研究人员聊天机器人）和存储库
还有更多！前往文档的“用例”部分了解更多信息。
🚀 LangChain如何提供帮助？
LangChain库的主要价值道具是：
- 组件：用于处理语言模型的可组合工具和集成。组件是模块化的，易于使用，无论你是否使用LangChain框架的其余部分
- 现成的链条：用于完成更高级别任务的内置组件组合
现成的链条使上手变得容易。组件使自定义现有链和构建新链变得容易。
组件分为以下模块：
📃 模型 I/O：
这包括提示管理、提示优化、所有 LLM 的通用接口以及用于处理 LLM 的常用实用程序。
📚 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，以获取数据以在生成步骤中使用。示例包括对长文本的摘要和对特定数据源的问答。
🤖 代理：
代理涉及 LLM 决定采取哪些行动，采取该行动，查看观察结果，并重复该操作直到完成。LangChain为代理提供了一个标准接口，提供了可供选择的代理，以及端到端代理的示例。
📖 文档
请参阅此处获取完整文档，其中包括：
💁 贡献
作为一个快速发展领域的开源项目，我们非常乐于接受贡献，无论是以新功能、改进的基础设施还是更好的文档的形式。
有关如何贡献的详细信息，请参阅此处。
🌟 贡献
About
Author：langchain-ai
热门帖子
热门github
1
2
3
5
6
7
8
11
13
14
15
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)