لانجتشين

المكونات الأساسية

تحقق LangChain وظائفها من خلال العديد من التجريدات الرئيسية:

• النماذج: التكامل مع مختلف نماذج LLM (مثل تلك الموجودة في OpenAI) ونماذج التضمين.
• المطالبات: أدوات لإدارة وتحسين المطالبات المرسلة إلى الآلية طويلة الأمد، بما في ذلك قوالب المطالبات وتوليد المطالبات الديناميكية. تعد هندسة المطالبات الفعالة أمرًا حاسمًا لتوجيه سلوك الآلية المحلية.
• السلاسل: سلاسل من الاستدعاءات، إما إلى أداة LLM أو أداة مساعدة مختلفة. قد تتضمن السلاسل البسيطة استدعاءً واحدًا ل LLM، في حين أن السلاسل المعقدة(التسلسل الفوري) يمكن أن تربط بين عدة استدعاءات LLM أو تفاعلات مع أدوات أخرى.
• الفهارس: هيكلة البيانات بطريقة يمكن لـ LLMs التفاعل معها بسهولة، وغالبًا ما تتضمن تقنيات مثل إنشاء التضمينات وتخزينها في قاعدة بيانات متجهة مثل Pinecone أو Chroma للبحث الدلالي الفعال.
• الذاكرة: تمكين السلاسل أو الوكلاء من تذكر التفاعلات السابقة، مما يوفر سياقاً للمحادثات أو المهام الجارية. وهذا ضروري لبناء تطبيقات ذات حالة مثل روبوتات الدردشة الآلية.
• الوكلاء: يسمح للوكلاء باتخاذ قرارات بشأن الإجراءات التي يجب اتخاذها، واستخدام الأدوات (مثل محركات البحث أو الآلات الحاسبة)، ومراقبة النتائج، والتكرار حتى اكتمال المهمة. وهذا يتيح المزيد من الاستقلالية في حل المشكلات.

الملاءمة في الذكاء الاصطناعي والتعلم الآلي

اكتسبت LangChain جاذبية كبيرة في مجتمع التعلم الآلي (ML) لأنها تعالج التحديات العملية لبناء تطبيقات في العالم الحقيقي على رأس LLMs. في حين أن أطر عمل مثل PyTorch و TensorFlow أساسيان لتدريب النماذج وتحديدها، تركز LangChain على طبقة التطبيق - تنظيم كيفية تفاعل هذه النماذج القوية مع الأنظمة والبيانات الخارجية. ويختلف هذا عن منصات مثل Ultralytics HUB، التي تعمل على تبسيط عملية تدريب النماذج المخصصة وإدارة مجموعات البيانات ونشر النماذج بشكل أساسي لمهام مثل اكتشاف الكائنات باستخدام نماذج مثل Ultralytics YOLO11.

تعمل سلسلة اللغات (LangChain) كجسر، مما يسمح بتأسيس قدرات معالجة اللغة الطبيعية (NLP) المتطورة في LLMs في سياقات محددة أو لتشغيل إجراءات خارجية. كما أنها تبسّط عمليات سير العمل المعقدة التي قد تتطلب كودًا مخصصًا كبيرًا لاستدعاءات واجهة برمجة التطبيقات، ومعالجة البيانات، وإدارة الحالة.

التطبيقات الواقعية

تتيح LangChain مجموعة واسعة من التطبيقات من خلال الجمع بين ذكاء LLM والموارد الخارجية:

1. الإجابة عن الأسئلة عبر الوثائق الخاصة: تخيل أن شركة ما تريد روبوت محادثة داخليًا يمكنه الإجابة عن أسئلة الموظفين بناءً على وثائق سياسة الشركة أو الأدلة التقنية. يمكن استخدام LangChain لبناء نظام توليد معزز للاسترجاع (RAG). يتم تحميل المستندات وتقسيمها وتضمينها وتخزينها في قاعدة بيانات متجهة. عندما يطرح المستخدم سؤالاً ما، يسترجع LangChain أجزاء المستندات ذات الصلة، ويجمعها مع استعلام المستخدم في مطالبة، ويرسلها إلى LLM لتوليد إجابة بناءً على السياق المقدم فقط. ويستفيد هذا من استدلال LLM مع تقييد الإجابات على مصادر بيانات محددة. تستخدم العديد من أدوات قاعدة المعرفة الداخلية هذا النمط.
2. الوكلاء المستقلون لإنجاز المهام: يمكن للمستخدم أن يطلب من مساعد الذكاء الاصطناعي "تلخيص آخر الأخبار حول Ultralytics وصياغة رسالة بريد إلكتروني إلى مديري بشأنها". يمكن أن يقرر وكيل LangChain، المدعوم من LLM، أن:
   • استخدم أداة البحث على الويب للعثور على مقالات حديثة حول Ultralytics.
   • استخدم أداة لتلخيص النص (أو LLM نفسها) لتلخيص النتائج.
   • استخدم أداة بريد إلكتروني (أو صياغة النص) لتكوين الرسالة بناءً على الملخص.تدير LangChain تسلسل استخدام الأداة وصياغة المطالبات وتدفق المعلومات بين الخطوات، مما يتيح لـ LLM العمل كمحرك تفكير يقوم بتنسيق مختلف القدرات. وتشمل الأمثلة على ذلك المساعدين الشخصيين وأدوات البحث الآلي.

سلسلة اللغات والمفاهيم ذات الصلة

من المفيد التمييز بين سلسلة اللغات والمصطلحات ذات الصلة:

• LLMs مقابل LangChain: نماذج LLMs (على سبيل المثال، GPT-3، Llama) هي النماذج الأساسية التي تفهم النص وتولده. LangChain هو إطار عمل يستخدم هذه النماذج LLMs كمكونات لبناء التطبيقات. وهو ينسق التفاعل بين LLMs والأدوات/البيانات الأخرى.
• هندسة الموجهات مقابل هندسة اللغة هندسة الموجّهات هي فن صياغة مدخلات فعّالة لموجّهات اللغة. توفر LangChain أدوات (مثل قوالب الموجهات) لجعل هندسة الموجهات أسهل وأكثر منهجية في سياق التطبيق، ولكنها تشمل أكثر من ذلك بكثير، بما في ذلك إدارة الحالة وتكامل الأدوات.
• محولاتHugging Face مقابل لانغتشين: توفّر مكتبة Hugging Face Transformers إمكانية الوصول إلى آلاف النماذج المدرّبة مسبقًا (بما في ذلك العديد من نماذج LLM) وأدوات لضبطها وتشغيلها. غالبًا ما تتكامل LangChain مع نماذج Hugging Face ولكنها تركز على المهمة ذات المستوى الأعلى المتمثلة في بناء التطبيقات حول هذه النماذج بدلاً من تنفيذ النموذج نفسه.

توفر LangChain مجموعة أدوات قوية للمطورين الذين يتطلعون إلى تسخير إمكانيات LLMs للتطبيقات المعقدة المدركة للسياق. تصميمها المعياري ونظامها البيئي المتنامي للتكاملات يجعلها خيارًا شائعًا لبناء الجيل التالي من الأدوات التي تعمل بالذكاء الاصطناعي. يمكنك استكشاف قدراتها بشكل أكبر من خلال وثائق LangChain الرسمية ومستودع LangChain GitHub.