【LangChain系列文章】1. LangChain：一个可以让你变强大的开源框架_langchain论文

LangChain No.1

为什么？

最最最最重要的一点，LangChain是基于JavaScript语言编写的，只需要学会TypeScript的使用，学习LangChain框架就不是问题，这无疑利好于前端开发同学。

其次，很多前端开发同学在工作中会觉得存在感低，工作年限越久焦虑感越强！那么，在当下大模型如此火热的时候，学习LangChain开始大语言模型的使用，是前端开发同学一个非常不错的选择。

下面从LangChain的基本介绍开始本专栏的第一篇文章。

一、LangChain介绍

LangChain是一个开源框架，它提供了Python和JavaScript（TypeScript）两个包。它可以把一些大语言模型（LLM，如ChatGPT-4等）和外部数据结合起来（让模型链接自定义的知识库），也就是说，它可以让你的LLM在回答问题时参考整个库。

更简单的方式，你可以将它理解为：一个链接用户应用程序和LLM之间的中间层，更方便的让用户和LLM之间进行交互。

那么，LangChain可以干什么呢？你可以将它用在聊天、翻译、文档检索、总结等等多个场景中。

二、LangChain原理

LangChain原理只需要对两方面的内容进行掌握：向量数据库和与LLM的合作。

1. 向量数据库

它的工作原理理解起来其实并不复杂，把一个大的文件分割成很多个小块，并将它们存进向量数据库（Vector Store）里，然后用于进行数据检索。

理解向量数据库，还需要掌握一个核心概念：Embedding

Embeddings类是一个设计的用于与文本嵌入模型交互的类。Embedding对输入的文本创建一段文本的矢量表示（就是一种对文本数据的数字表示），这样我们就可以考虑在向量空间中的文本语义搜索，在向量空间中寻找最相似的文本片段。

LangChain中的Embeddings类公开了两个方法:一个用于嵌入文档，另一个用于嵌入查询。前者接受多个文本作为输入，后者接受单个文本作为输入。

2. 与LLM合作

有了向量数据库对大文档的向量化表示，我们就可以用它和LLM一起工作，来检索我们需要的信息。

配合大语言模型进行信息检索的流程为：用户提供一个提示语Prompt进入向量数据库中进行查询，检索出相关信息后，将它和提示语一起喂给大语言模型，经过大语言模型的处理给出我们需要的回答。它的工作过程如下所示：

三、LangChain组件

LangChain提供了很多个组件，具体包括以下几种。

它为各个模块提供了标准的、可扩展的接口和外部集成。其中，以下模块的复杂度从上到下依次递增。

• 模式：包括在整个库中使用的接口和基类。
• 模型：包括与LLM、聊天模型、嵌入模型的集成。
• 提示符：各种Loader，如输出解析器、示例选择器等。包括提示符和与提示符一起使用的功能；
• 索引：包括用于处理自定义数据的模式和功能，并使其准备好与LLM交互。包括包括文档加载程序、向量存储器、文本分割器和检索器等。
• Memory：链之间的状态保持，也即连续对话。
• Chains：将models和prompt templates进行连接，或将多个chain进行链接。
• Agent：allow a language model to interact with its environment（语言模型与自己的环境交互）

四、学习路径

LangChain是基于规范的TypeScript编写，可以查看它的官方API，也可以在GitHub下载它的源代码学习，相关使用问题还可以在其上进行提问。