ChatGPT 的巨大成功激发了越来越多的开发者兴趣，他们希望利用 OpenAI 提供的 API 或者私有化模型，来开发基于大型语言模型的应用程序。尽管大型语言模型的调用相对简单，但要创建完整的应用程序，仍然需要大量的定制开发工作，包括 API 集成、互动逻辑、数据存储等等。
一、什么是 LangChain
LangChain 框架是一个开源工具，充分利用了大型语言模型的强大能力，以便开发各种下游应用。它的目标是为各种大型语言模型应用提供通用接口，从而简化应用程序的开发流程。具体来说，LangChain 框架可以实现数据感知和环境互动，也就是说，它能够让语言模型与其他数据来源连接，并且允许语言模型与其所处的环境进行互动。
利用 LangChain 框架，我们可以轻松地构建如下所示的 RAG 应用。在下图中，每个椭圆形代表了 LangChain 的一个模块，例如数据收集模块或预处理模块。每个矩形代表了一个数据状态，例如原始数据或预处理后的数据。箭头表示数据流的方向，从一个模块流向另一个模块。在每一步中，LangChain 都可以提供对应的解决方案，帮助我们处理各种任务。
二、LangChain 的核心组件
LangChian 作为一个大语言模型开发框架，可以将 LLM 模型（对话模型、embedding 模型等）、向量数据库、交互层 Prompt、外部知识、外部代理工具整合到一起，进而可以自由构建 LLM 应用。 LangChain 主要由以下 6 个核心组件组成:
- 模型输入/输出（Model I/O）：与语言模型交互的接口
- 数据连接（Data connection）：与特定应用程序的数据进行交互的接口
- 链（Chains）：将组件组合实现端到端应用。比如后续我们会将搭建
检索问答链来完成检索问答。 - 记忆（Memory）：用于链的多次运行之间持久化应用程序状态；
- 代理（Agents）：扩展模型的推理能力。用于复杂的应用的调用序列；
- 回调（Callbacks）：扩展模型的推理能力。用于复杂的应用的调用序列；
三、LangChain包含了什么
- LangChain Community: 专注于第三方集成，极大地丰富了 LangChain 的生态系统，使得开发者可以更容易地构建复杂和强大的应用程序，同时也促进了社区的合作和共享。
- LangChain Core: LangChain 框架的核心库、核心组件，提供了基础抽象和 LangChain 表达式语言（LCEL），提供基础架构和工具，用于构建、运行和与 LLM 交互的应用程序，为 LangChain 应用程序的开发提供了坚实的基础。我们后续会用到的处理文档、格式化 prompt、输出解析等都来自这个库。
- LangChain CLI: 命令行工具，使开发者能够通过终端与 LangChain 框架交互，执行项目初始化、测试、部署等任务。提高开发效率，让开发者能够通过简单的命令来管理整个应用程序的生命周期。
- LangServe: 部署服务，用于将 LangChain 应用程序部署到云端，提供可扩展、高可用的托管解决方案，并带有监控和日志功能。简化部署流程，让开发者可以专注于应用程序的开发，而不必担心底层的基础设施和运维工作。
- LangSmith: 开发者平台，专注于 LangChain 应用程序的开发、调试和测试，提供可视化界面和性能分析工具，旨在帮助开发者提高应用程序的质量，确保它们在部署前达到预期的性能和稳定性标准。
四、Langchain和Agent的区别
LangChain是一个应用开发库，旨在整合各种大语言模型（LLM）和其他知识来源，通过提供多模型访问、Prompt封装和多数据源加载等接口，使开发者能够更简单地构建AI应用程序。而Agent，特别是在LangChain的上下文中，通常指的是一个智能体，它能够根据用户的输入运行相应的工具，并生成自然语言响应，使得用户可以通过对话的方式提出问题并获得解答。
- LangChain 更侧重于提供一个框架和工具集，帮助开发者构建和部署AI应用。它涉及到模型的整合、数据的加载以及与外部工具的交互，但不直接涉及如何做出决策或采取行动。
- Agent 则是在LangChain框架内的一个具体实现，它能够根据接收到的信息自主地决定如何响应，这包括选择合适的工具来处理任务，并生成相应的输出。Agent的设计使得AI系统能够以更加自然和互动的方式与用户交互。
