Langchain+LLM

LangChain是一个开源框架，允许开发人员在与人工智能（AI）一起工作时将大型语言模型（如GPT4）与外部计算和数据源相结合（它提供了一套工具、组件和接口，可简化创建由LLM提供支持的应用程序）。该框架目前提供Python和Js两种版本。
fig1
Langchain的核心模块如下：

Modules：支持的模型类型和集成，如：openai，huggingface等；
Prompt：提示词管理、优化和序列化，支持各种自定义模板；
Memory：内存管理（在链/代理调用之间持续存在的状态）；
Indexes：索引管理，方便加载、查询和更新外部数据；
Agents：代理，是一个链，可以决定和执行操作，并观察结果，直到指令完成；
Callbacks：回调，允许记录和流式传输任何链的中间步骤，方便观察、调试和评估。

到目前为止，我们都知道ChatGPT（GPT4）拥有令人印象深刻的广泛知识，我们几乎可以询问任何问题，都能得到相当不错的答案。假设想从自己的数据、自己的文档中获取特定的信息，这可能是一本书、一个PDF文件、一个带有专有信息的数据库，LangChain允许我们连接像GPT4这样的大型语言模型到自己的数据源中。这里我们不是指将文本文档的片段粘贴到ChatGPT中，而是将LLM指引到我们自己的数据源。

Langchain+LLM为无数的实际应用打开了大门，我们可以将其与数据分析领域中的数据相连接，通过LLM为我们分析数据，给出我们想要的答案。

下面是一个ChatGLM+Langchain的项目：https://github.com/chatchat-space/Langchain-Chatchat

项目实现原理如下图所示，过程包括：加载文件 > 读取文本 > 文本分割 > 文本向量化 > 问句向量化 > 在文本向量中匹配出与问句向量最相似的 top k个 > 匹配出的文本作为上下文和问题一起添加到prompt中 > 提交给 LLM生成回答。
fig2
从文档处理角度来看，实现流程如下：
fig3