大型语言模型（LLM）已经成为一种革命性技术，使开发人员能够开发以前难以想象的应用程序。然而，仅仅依靠这些LLM通常无法打造出真正强大的应用程序——只有将它们与其他计算或知识资源结合起来，才能实现它们真正的潜力。
LangChain是一个框架，旨在开发由语言模型驱动的应用程序，允许开发人员将语言模型与其他数据源连接，实现环境互动。它旨在辅助开发人员涵盖六个主要领域，按复杂性递增的顺序。
- 📃 语言模型管理系统和提示: 包括提示管理、提示优化、通用界面适配所有语言模型以及用于处理语言模型的通用实用程序。
- 🔗 链：链并非只是单个LLM调用，而是一系列调用（无论是针对LLM还是不同实用程序）。 LangChain 提供链的标准接口、与其他工具的广泛集成，以及用于常见应用程序的端到端链。
- 📚 数据扩增生成：数据增广生成牵涉到特定类别的链，这些链首先与外部数据源互动以搜集数据用于生成过程。相关案例包括长文本摘要和特定数据源问答。
- 🤖 代理：代理人涉及由LLM做出关于采取何种行动的决策，执行该行动，观察结果，并重复此过程直至完成。LangChain为代理人提供了标准接口，供代理人选择，以及端到端代理的示例。
- 🧠 记忆：内存是链/代理调用之间持续状态的概念。LangChain 提供了标准接口、内存实现集合以及使用内存的链/代理示例。
- 🧐 评价：[测试版] 众所周知，想要评估生成模型是很困难的，因为传统指标并不适用。 一种新的评估方法是利用语言模型本身来进行评估，LangChain 提供了一些提示/链来帮助实现这一目的。
哈哈，跟AI聊天成了我放松的方式