LangChain入門指南：構(gòu)建高可復(fù)用、可擴(kuò)展的LLM應(yīng)用程序

目 錄
第1 章 LangChain：開啟大語(yǔ)言模型時(shí)代的鑰匙
1.1 大語(yǔ)言模型概述
1.1.1 什么是大語(yǔ)言模型
1.1.2 大語(yǔ)言模型的發(fā)展
1.1.3 大語(yǔ)言模型的應(yīng)用場(chǎng)景
1.1.4 大語(yǔ)言模型的基礎(chǔ)知識(shí)
1.2 LangChain 與大語(yǔ)言模型
第2 章 LangChain 入門指南
2.1 初識(shí)LangChain
2.1.1 為什么需要LangChain
2.1.2 LLM 應(yīng)用開發(fā)的最后1 公里
2.1.3 LangChain 的2 個(gè)關(guān)鍵詞
2.1.4 LangChain 的3 個(gè)場(chǎng)景
2.1.5 LangChain 的6 大模塊
2.2 LangChain 的開發(fā)流程
2.2.1 開發(fā)密鑰指南
2.2.2 編寫一個(gè)取名程序
2.2.3 創(chuàng)建你的第一個(gè)聊天機(jī)器人
2.4 LangChain 表達(dá)式
第3 章 模型I/O
3.1 什么是模型I/O
3.2 模型I/O 功能之模型包裝器
3.2.1 模型包裝器分類
3.2.2 LLM 模型包裝器
3.2.3 聊天模型包裝器
3.3 模型I/O 功能之提示詞模板
3.3.1 什么是提示詞模板
3.3.2 提示詞模板的輸入和輸出
3.3.3 使用提示詞模板構(gòu)造提示詞
3.3.4 少樣本提示詞模板
3.3.5 多功能提示詞模板
3.4 模型I/O 功能之輸出解析器
3.4.1 輸出解析器的功能
3.4.2 輸出解析器的使用
3.4.3 Pydantic JSON 輸出解析器
3.4.4 結(jié)構(gòu)化輸出解析器
第4 章 數(shù)據(jù)增強(qiáng)模塊
4.1 數(shù)據(jù)增強(qiáng)模塊的相關(guān)概念
4.1.1 LEDVR 工作流
4.1.2 數(shù)據(jù)類型
4.2 加載器
4.3 嵌入模型包裝器
4.3.1 嵌入模型包裝器的使用
4.3.2 嵌入模型包裝器的類型
4.4 文檔轉(zhuǎn)換器
4.5 向量存儲(chǔ)庫(kù)
4.5.1 向量存儲(chǔ)庫(kù)的使用
4.5.2 向量存儲(chǔ)庫(kù)的搜索方法
4.6 檢索器
4.6.1 檢索器的使用
4.6.2 檢索器的類型
第5 章 鏈
5.1 為什么叫鏈
5.1.1 鏈的定義
5.1.2 鏈的使用
5.1.3 基礎(chǔ)鏈類型
5.1.4 工具鏈類型
5.2 細(xì)說基礎(chǔ)鏈
5.2.1 LLM 鏈
5.2.2 路由器鏈
5.2.3 順序鏈
5.3 四大合并文檔鏈
5.3.1 Stuff 鏈
5.3.2 Refine 鏈
5.3.3 MapReduce 鏈
5.3.4 重排鏈
5.4 揭秘鏈的復(fù)雜性
5.4.1 復(fù)雜鏈的“套娃”式設(shè)計(jì)
5.4.2 LEDVR 工作流的終點(diǎn)：“上鏈”
第6 章 記憶模塊
6.1 記憶模塊概述
6.1.1 記憶組件的定義
6.1.2 記憶組件、鏈組件和Agent 組件的關(guān)系
6.1.3 設(shè)置第一個(gè)記憶組件
6.1.4 內(nèi)置記憶組件
6.1.5 自定義記憶組件
6.2 記憶增強(qiáng)檢索能力的實(shí)踐
6.2.1 獲取外部數(shù)據(jù)
6.2.2 加入記憶組件
6.3 記憶增強(qiáng)Agent 能力的實(shí)踐
6.4 內(nèi)置記憶組件的對(duì)比
6.4.1 總結(jié)記憶組件
6.4.2 會(huì)話記憶組件和會(huì)話窗口記憶組件的對(duì)比
6.4.3 知識(shí)圖譜記憶組件和實(shí)體記憶組件的比較
第7 章 Agent 模塊
7.1 Agent 模塊概述
7.1.1 Agent 組件的定義
7.1.2 Agent 組件的運(yùn)行機(jī)制
7.1.3 Agent 組件入門示例
7.1.4 Agent 組件的類型
7.2 Agent 組件的應(yīng)用
7.2.1 Agent 組件的多功能性
7.2.2 自定義Agent 組件
7.2.3 ReAct Agent 的實(shí)踐
7.3 工具組件和工具包組件
7.3.1 工具組件的類型
7.3.2 工具包組件的類型
7.4 Agent 組件的功能增強(qiáng)
7.4.1 Agent 組件的記憶功能增強(qiáng)
7.4.2 Agent 組件的檢索能力增強(qiáng)
第8 章 回調(diào)處理器
8.1 什么是回調(diào)處理器
8.1.1 回調(diào)處理器的工作流程
8.1.2 回調(diào)處理器的使用
8.1.3 自定義鏈組件中的回調(diào)
8.2 內(nèi)置回調(diào)處理器
8.3 自定義回調(diào)處理器
第9 章 使用LangChain 構(gòu)建應(yīng)用程序
9.1 PDF 問答程序
9.1.1 程序流程
9.1.2 處理PDF 文檔
9.1.3 創(chuàng)建問答鏈
9.2 對(duì)話式表單
9.2.1 OpenAI 函數(shù)的標(biāo)記鏈
9.2.2 標(biāo)記鏈的使用
9.2.3 創(chuàng)建提示詞模板
9.2.4 數(shù)據(jù)更新和檢查
9.3 使用LangChain 實(shí)現(xiàn)BabyAGI
9.3.1 BabyAGI 介紹
9.3.2 環(huán)境與工具
9.3.3 向量存儲(chǔ)
9.3.4 構(gòu)建任務(wù)鏈
9.3.5 創(chuàng)建BabyAGI
9.3.6 運(yùn)行BabyAGI
第10 章 集成
10.1 集成的背景與LLM 集成
10.2 LLM 集成指南
10.2.1 Azure OpenAI 集成
10.2.2 Hugging Face Hub 集成
10.3 聊天模型集成指南
10.3.1 Anthropic 聊天模型集成
10.3.2 PaLM 2 聊天模型集成
10.3.3 OpenAI 聊天模型集成
10.4 向量庫(kù)集成指南
10.4.1 Chroma 集成
10.4.2 Pinecone 集成
10.4.3 Milvus 集成
10.5 嵌入模型集成指南
10.5.1 HuggingFaceEmbeddings 嵌入集成
10.5.2 LlamaCppEmbeddings 嵌入集成
10.5.3 Cohere 嵌入集成
10.6 Agent toolkits 集成指南
10.6.1 CSV Agent 的集成
10.6.2 Pandas Dataframe Agent 的集成
10.6.3 PowerBI Dataset Agent 的集成
10.7 Retrievers 集成指南
10.7.1 WikipediaRetriever 集成
10.7.2 ArxivRetriever 集成
10.7.3 Azure Cognitive Search 集成
第11 章 LLM 應(yīng)用開發(fā)必學(xué)知識(shí)
11.1 LLM 的核心知識(shí)
11.1.1 文本嵌入
11.1.2 點(diǎn)積相似性和余弦相似性
11.1.3 注意力機(jī)制
11.2 Transformer 模型
11.3 語(yǔ)義搜索
11.3.1 語(yǔ)義搜索的工作原理
11.3.2 RAG 的工作原理
11.4 NLP 與機(jī)器學(xué)習(xí)基礎(chǔ)
11.4.1 LLM 應(yīng)用開發(fā)中的傳統(tǒng)機(jī)器學(xué)習(xí)方法
11.4.2 NLP 文本預(yù)處理
11.4.3 構(gòu)建分類器
附錄A LangChain 框架中的主要類
附錄B OpenAI 平臺(tái)和模型介紹
附錄C Claude 2 模型介紹
附錄D Cohere 模型介紹
附錄E PaLM 2 模型介紹
附錄F Pinecone 向量數(shù)據(jù)庫(kù)介紹
附錄G Milvus 向量數(shù)據(jù)庫(kù)介紹