输入“/”快速插入内容

Langchain概览

2023年7月10日修改

解决了什么问题

1.
利用大模型构建应用程序复杂的问题，为LLM装上“四肢”和更好的“大脑🧠”​

2.
比如我们最常用的是open ai的API，但open ai 的 GPT模型自身有幻觉、数据更新不及时、缺少部分数据等问题，而且无法执行任务，无法处理除文本外的信息，​

3.
这时我们想要连接外部数据、处理复杂任务、实现多模型交互等等，​

4.
Langchain就是一个连接LLM 和其他外部API、数据源构建应用程序的开发框架​

5.
如果没有LangChain，像autoGPT这种自动化执行的工具，只能由具备更多AI技术的人员/公司做出来，其他人的构建门槛高很多。​

关键概念

下图体现了通过LangChain框架，可以将文本向量化并存储至向量数据库进行调用，为LLM提供更多数据的流程，具体可见​向量数据库概览 ​

画板

优点、局限和看法

优点

1.
门槛低，LangChain有封装好的各种模型API和工具、提示词模版，独立开发者或小团队开发AI应用更便捷​

2.
模块化，将AI应用开发的功能模块化，便于构建复杂逻辑的应用​

3.
符合多模型发展趋势​

局限

1.
处于发展早期，不属于成熟LLM集成工具，中大型公司更倾向自己搭建框架​

2.
AI发展变化快，LangChain需要快速调整更新功能接口，否则很容易被替代​

3.
Open AI的函数调用、插件、代码解释器也在解决一部分LLM联网、复杂任务执行等问题​

大佬对它的看法

a.
The ReAct工作流程和提示工程的当前实现基于InstructGPT (text-davinci-003)，与使用chatGPT/GPT-4所能做的事情相比，已经非常过时了。​

b.
调试LangChain错误几乎是不可能的，即使使用详细的-True。如果您需要文档中工作流之外的任何内容，则很难破解，即使使用Custom Agents也是如此​

c.
文档中缺少很多相关的细节(例如Agent类型之间的差异)，您必须深入到代码库中才能找到这些细节。​

44%

56%

a.
如果您是LLM的新手，是一家想要尝试LLM的小公司，希望快速引导产品，需要一个方便的界面来集成各种工具，可以使用LangChain​

b.
如果出现以下情况，请考虑其他选项： 您在该领域经验丰富，拥有一支庞大而敬业的工程团队，已经熟悉了像 ReAct 这样的高级概念，是一名突破LLM能力界限的研究人员，如果你精通LangChain并且有超过五名专门的工程师，那么LangChain可能不是最合适的。​

Langchain概览​