LangChain框架「 LangChain 详细介绍」_langchain 包含哪六个

一、LangChain官方解释六大模块

• 模型（models） : LangChain 支持的各种模型类型和模型集成。

• 提示（prompts） : 包括提示管理、提示优化和提示序列化。

• 内存（memory） : 内存是在链/代理调用之间保持状态的概念。LangChain 提供了一个标准的内存接口、一组内存实现及使用内存的链/代理示例。

• 索引（indexes） : 与您自己的文本数据结合使用时，语言模型往往更加强大——此模块涵盖了执行此操作的最佳实践。

• 链（chains） : 链不仅仅是单个 LLM 调用，还包括一系列调用（无论是调用 LLM 还是不同的实用工具）。LangChain 提供了一种标准的链接口、许多与其他工具的集成。LangChain 提供了用于常见应用程序的端到端的链调用。

• 代理（agents） : 代理涉及 LLM 做出行动决策、执行该行动、查看一个观察结果，并重复该过程直到完成。LangChain 提供了一个标准的代理接口，一系列可供选择的代理，以及端到端代理的示例。

      核心架构图

二、基础层

包括：Models、LLM、Index三层：

1.Models层：

可以看出各家大模型的演进历史，其中Google、OpenAI、Meta、DeepMind领先优势非常大，国内大厂唯独腾讯缺席。有几个点：

• 目前最主要的几个大模型为： Google的LaMDA、Meta的LLaMa、OpenAI的GPT-4、DeepMind的：Chinchilla
• 另外目前投入应用的智能终端基本都是基于模型的Fine-Tuning或者RLHF技术，并且需要大量的相关行业训练集，典型比如code领域、财经领域BloombergGPT、学术论文编写等，其中在作者最关注的Code细分领域，目前的模型有：
  • DeepMind的AlphaCode
  • ​OpenAI的Codex
  • Saleforce的CodeGen

Models层的输出包括：

• 文本自动生成
• embeding向量化输出
• 多模态输出​

2.LLMS层：

这一层主要强调对models层能力的封装以及服务化输出能力，主要有：

• 各类LLM模型管理平台：强调的模型的种类丰富度以及易用性
• 一体化服务能力产品：强调开箱即用
• 差异化能力：比如聚焦于Promp管理、基于共享资源的模型运行模式等等

3.Index层：

对用户私域文本、图片、PDF等各类文档进行存储和检索，这里有两个方案：

• Vector方案：即对文件先切分为Chunks，在按Chunks分别编码存储并检索
• KG方案：这部分利用LLM抽取文件中的三元组，将其存储为KG供后续检索

二、能力层

如果基础层提供了最核心的能力，能力层则给这些能力安装上手、脚、脑，让其具有记忆和触发万物的能力，包括：Chains、Memory、Tool三部分

1.Chains层：

按照不同的需求抽象并定制化不同的执行逻辑，Chain可以相互嵌套并串行执行，通过这一层，让LLM的能力链接到各行各业比如面向私域数据的load_qa_with_sources_chain; 比如面向SQL数据源的SQLDatabaseChain；再比如能自动生成代码并执行的LLMMathChain等等，这里面比较让人眼前一亮的点有：

• ConstitutionalChain：对最终结果进行偏见、合规问题处理的逻辑，保证最终的结果符合价值观
• LLMCheckerChain：能让LLM自动检测自己的输出是否有没有问题的逻辑

2.Memory层：

这层主要有两个核心点：

• 对Chains的执行过程中的输入、输出进行记忆并结构化存储，为下一步的交互提供上下文，这部分简单存储在Redis即可
• 根据交互历史构建知识图谱，根据关联信息给出准确结果

3.Tools层：

其实Chains层可以根据LLM + Prompt执行一些特定的逻辑，但是如果要用Chain实现所有的逻辑不现实，可以通过Tools层也可以实现，Tools层理解为技能比较合理。典型的比如搜索、维基百科、天气预报、chatGPT服务等等。

四、应用层

有了基础层和能力层，我们可以构建各种各样好玩的，有价值的服务，这里就是Agent

1.Agent层：

Agent层可以根据Tool和Chain组合出特定的服务来，最终实现以更自然的文本交互形态完成用户特定需求的目标，比如用自然语言的方式实现sql的操作等等

五、必知概念

1.Chat Models：

聊天模型是语言模型的一个变体，聊天模型以语言模型为基础，其内部使用语言模型，不再以文本字符串为输入和输出，而是将聊天信息列表为输入和输出，他们提供更加结构化的 API。通过聊天模型可以传递一个或多个消息。LangChain 目前支持四类消息类型：分别是 AIMessage、HumanMessage、SystemMessage 和 ChatMessage 。

SystemMessage：系统消息是用来设定模型的一种工具，可以用于指定模型具体所处的环境和背景，如角色扮演等；

HumanMessage：人类消息就是用户信息，由人给出的信息，如提问；使用 Chat Model 模型就得把系统消息和人类消息放在一个列表里，然后作为 Chat Model 模型的输入

AIMessage：就是 AI 输出的消息，可以是针对问题的回答

ChatMessage：Chat 消息可以接受任意角色的参数

2. Loader 加载器

顾名思义，这个就是从指定源进行加载数据的。比如：

• 文件夹 DirectoryLoader、
• Azure 存储 AzureBlobStorageContainerLoader
• CSV文件 CSVLoader
• 印象笔记 EverNoteLoader
• Google网盘 GoogleDriveLoader
• 任意的网页 UnstructuredHTMLLoader
• PDF PyPDFLoader
• S3 S3DirectoryLoader/S3FileLoader、
• Youtube YoutubeLoader

3.Prompts

        提示（Prompt）指的是模型的输入，这个输入一般很少是硬编码的，而是从使用特定的模板组件构建而成的，这个模板组件就是 PromptTemplate 提示模板，可以提供提示模板作为输入，模板指的是我们希望获得答案的具体格式和蓝图。LangChain 提供了预先设计好的提示模板，可以用于生成不同类型任务的提示。当预设的模板无法满足要求时，也可以使用自定义的提示模板。  

      在 LangChain 中，我们可以根据需要设置提示模板，并将其与主链相连接以进行输出预测。此外，LangChain 还提供了输出解析器的功能，用于进一步精炼结果。输出解析器的作用是指导模型输出的格式化方式，以及将输出解析为所需的格式。

      LangChain 提供了几个类和函数，使构建和处理提示变得容易：

      PromptTemplate 提示模板
       可以生成文本模版，通过变量参数的形式拼接成完整的语句
      FewShotPromptTemplate 选择器
        将提示的示例内容同样拼接到语句中，让模型去理解语义含义进而给出结果。
      ChatPromptTemplate 聊天提示模版
        以聊天消息作为输入生成完整提示模版。

      StructuredOutputParser 输出解析器
         输出解析器是指对模型生成的结果进行解析和处理的组件。它的主要功能是将模型生成的文本进行解析，提取有用的信息并进行后续处理。如对模型生成的文本进行解析、提取有用信息、识别实体、分类和过滤结果，以及对生成文本进行后处理，从而使生成结果更易于理解和使用。它在与大型语言模型交互时起到解析和处理结果的作用，增强了模型的应用和可用性。

        语言模型输出文本。但是很多时候，可能想要获得比文本更结构化的信息。这就是输出解析器的作用。即输出解析器是帮助结构化语言模型响应的类，LangChain 中主要提供的类是 PydanticOutputParser。