LangChain核心概念

下面整理的LangChain部分核心概念：

• 聊天模型【Chat models】：通过聊天 API 暴露的大语言模型（LLMs），将消息序列作为输入，并输出一条消息。
• 消息【Messages】：聊天模型中的通信单元，用于表示模型的输入和输出。
• 聊天记录【Chat history】：以消息序列形式表示的对话，用户消息和模型回复交替出现。
• 工具【Tools】：具有相关模式的函数，该模式定义了函数的名称、描述以及它的参数。
• 工具调用【Tool calling】：聊天模型 API，它接受函数模式以及消息作为输入，并在输出消息中返回对这些工具的调用。
• 结构化输出【Structured output】：使聊天模型以结构化格式（如符合给定模式的 JSON）进行响应的技术。
• 记忆【Memory】：保存关于对话的信息。
• 多模【Multimodality】态：能够处理不同形式数据（如文本、音频、图像和视频）的能力。
• 可运行接口【Runnable interface】：LangChain 组件和 LangChain 表达式语言的基本抽象。
• 流式传输【Streaming】：流式 API，用于实时展示生成的结果。
• LangChain 表达式语言【LangChain Expression Language (LCEL):】：用于编排组件的语法。
• 文档加载器【Document loaders】：将数据源加载为文档列表。
• 检索【Retrieval】：检索系统根据查询条件从数据源中检索结构化或非结构化数据。
• 文本分割器【Text splitters】：将长文本分割成较小的块，这些块可以被单独索引，从而实现精细检索。
• 嵌入模型【Embedding models】：将数据（如文本或图像）表示在向量空间中的模型。
• 向量存储【Vector stores】：存储向量及其相关元数据，并高效搜索。
• 检索器【Retriever】：根据查询条件从知识库中返回相关文档的组件。
• 检索增强生成【Retrieval Augmented Generation (RAG)】：通过将语言模型与外部知识库结合来增强语言模型的技术。
• 智能体【Agents】：使用语言模型选择要采取的行动。智能体可以通过工具与外部资源进行交互。
• 提示模板【Prompt templates】：用于提取模型 “提示”（通常是一系列消息）中静态部分的组件。对于序列化、版本控制和重用这些静态部分很有用。
• 输出解析器【Output parsers】：将模型的输出转换为适合下游任务的格式。在工具调用和结构化输出也能起到类似作用。
• 少样本提示【Few-shot prompting】：通过在提示中提供少量要执行任务的示例来提高模型性能。
• 示例选择器【Example selectors】：从数据集中选择最相关的示例。示例选择器在少样本提示中用于为提示选择示例。
• 回调【Callbacks】：回调允许在内置组件中执行自定义辅助代码。在LangChain中，回调用于流式传输的输出、跟踪应用程序的中间步骤等。

参考

Conceptual guide | 🦜️🔗 LangChain