LangChain là một khuôn khổ mã nguồn mở được thiết kế để đơn giản hóa quá trình phát triển các ứng dụng được hỗ trợ bởi Large Language Models (LLM) . Nó cung cấp một giao diện và thành phần chuẩn để kết nối LLM với các nguồn dữ liệu và tài nguyên tính toán khác, cho phép tạo ra các ứng dụng Trí tuệ nhân tạo (AI) tinh vi hơn và nhận biết ngữ cảnh. Thay vì chỉ tương tác với LLM một cách riêng biệt, LangChain cho phép các nhà phát triển kết nối các mô hình như GPT-4 hoặc Claude 3 với các API, cơ sở dữ liệu hoặc tệp cục bộ bên ngoài, giúp chúng linh hoạt và mạnh mẽ hơn.
Thành phần cốt lõi
LangChain đạt được chức năng của mình thông qua một số khái niệm trừu tượng chính:
- Mô hình: Tích hợp với nhiều LLM khác nhau (như OpenAI ) và Mô hình nhúng.
- Lời nhắc: Công cụ quản lý và tối ưu hóa lời nhắc được gửi đến LLM, bao gồm mẫu lời nhắc và tạo lời nhắc động. Kỹ thuật lời nhắc hiệu quả là rất quan trọng để hướng dẫn hành vi LLM.
- Chuỗi: Chuỗi các cuộc gọi, hoặc đến LLM hoặc một tiện ích khác. Chuỗi đơn giản có thể bao gồm một cuộc gọi LLM duy nhất, trong khi chuỗi phức tạp ( chuỗi nhắc ) có thể liên kết nhiều cuộc gọi LLM hoặc tương tác với các công cụ khác.
- Chỉ mục: Cấu trúc dữ liệu theo cách mà LLM có thể dễ dàng tương tác với dữ liệu đó, thường liên quan đến các kỹ thuật như tạo nhúng và lưu trữ chúng trong cơ sở dữ liệu vector như Pinecone hoặc Chroma để tìm kiếm ngữ nghĩa hiệu quả.
- Bộ nhớ: Cho phép các chuỗi hoặc tác nhân ghi nhớ các tương tác trước đó, cung cấp ngữ cảnh cho các cuộc trò chuyện hoặc tác vụ đang diễn ra. Điều này rất cần thiết để xây dựng các ứng dụng có trạng thái như chatbot .
- Tác nhân: Cho phép LLM đưa ra quyết định về hành động cần thực hiện, sử dụng các công cụ (như công cụ tìm kiếm hoặc máy tính), quan sát kết quả và lặp lại cho đến khi hoàn thành nhiệm vụ. Điều này cho phép giải quyết vấn đề tự chủ hơn.
Sự liên quan trong AI và Học máy
LangChain đã đạt được sức hút đáng kể trong cộng đồng Học máy (ML) vì nó giải quyết những thách thức thực tế của việc xây dựng các ứng dụng thực tế trên LLM. Trong khi các khuôn khổ như PyTorch và TensorFlow là nền tảng để đào tạo và xác định các mô hình, LangChain tập trung vào lớp ứng dụng – điều phối cách các mô hình mạnh mẽ này tương tác với các hệ thống và dữ liệu bên ngoài. Điều này khác với các nền tảng như Ultralytics HUB , hợp lý hóa quy trình đào tạo các mô hình tùy chỉnh , quản lý tập dữ liệu và triển khai mô hình chủ yếu cho các tác vụ như phát hiện đối tượng bằng các mô hình như Ultralytics YOLO11 .
LangChain hoạt động như một cầu nối, cho phép các khả năng xử lý ngôn ngữ tự nhiên (NLP) tinh vi của LLM được dựa trên các ngữ cảnh cụ thể hoặc kích hoạt các hành động bên ngoài. Nó đơn giản hóa các quy trình làm việc phức tạp mà nếu không sẽ yêu cầu mã tùy chỉnh đáng kể cho các lệnh gọi API, xử lý dữ liệu và quản lý trạng thái.
Ứng dụng trong thế giới thực
LangChain cho phép thực hiện nhiều ứng dụng khác nhau bằng cách kết hợp trí thông minh LLM với các nguồn lực bên ngoài:
- Trả lời câu hỏi qua tài liệu riêng tư: Hãy tưởng tượng một công ty muốn có một chatbot nội bộ có thể trả lời các câu hỏi của nhân viên dựa trên các tài liệu chính sách của công ty hoặc hướng dẫn kỹ thuật. LangChain có thể được sử dụng để xây dựng hệ thống Retrieval-Augmented Generation (RAG) . Các tài liệu được tải, chia, nhúng và lưu trữ trong cơ sở dữ liệu vector. Khi người dùng đặt câu hỏi, LangChain sẽ truy xuất các khối tài liệu có liên quan, kết hợp chúng với truy vấn của người dùng thành một lời nhắc và gửi đến LLM để tạo câu trả lời chỉ dựa trên ngữ cảnh được cung cấp. Điều này tận dụng lý luận LLM trong khi hạn chế câu trả lời cho các nguồn dữ liệu cụ thể. Nhiều công cụ cơ sở kiến thức nội bộ sử dụng mô hình này.
- Các tác nhân tự động để hoàn thành nhiệm vụ: Người dùng có thể yêu cầu trợ lý AI "Tóm tắt tin tức mới nhất về Ultralytics và soạn email gửi cho người quản lý của tôi về vấn đề này." Một Đại lý LangChain, được hỗ trợ bởi LLM, có thể quyết định:
- Sử dụng công cụ tìm kiếm trên web để tìm các bài viết gần đây về Ultralytics .
- Sử dụng công cụ tóm tắt văn bản (hoặc chính LLM) để tóm tắt các phát hiện.
- Sử dụng công cụ email (hoặc soạn thảo văn bản) để soạn tin nhắn dựa trên bản tóm tắt. LangChain quản lý trình tự sử dụng công cụ, công thức nhắc nhở và luồng thông tin giữa các bước, cho phép LLM hoạt động như một công cụ lý luận điều phối nhiều khả năng khác nhau. Ví dụ bao gồm trợ lý cá nhân và công cụ nghiên cứu tự động .
LangChain và các khái niệm liên quan
Sẽ rất hữu ích khi phân biệt LangChain với các thuật ngữ liên quan:
- LLM so với LangChain: LLM (ví dụ: GPT-3, Llama) là các mô hình cốt lõi hiểu và tạo văn bản. LangChain là một khuôn khổ sử dụng các LLM này làm thành phần để xây dựng các ứng dụng. Nó điều phối tương tác giữa các LLM và các công cụ/dữ liệu khác.
- Kỹ thuật Prompt so với LangChain: Kỹ thuật Prompt là nghệ thuật tạo ra các đầu vào hiệu quả cho LLM. LangChain cung cấp các công cụ (như mẫu lời nhắc) để giúp kỹ thuật Prompt dễ dàng hơn và có hệ thống hơn trong bối cảnh ứng dụng, nhưng nó bao gồm nhiều hơn thế nữa, bao gồm quản lý trạng thái và tích hợp công cụ.
- Hugging Face Transformers so với LangChain: Hugging Face Thư viện Transformers cung cấp quyền truy cập vào hàng ngàn mô hình được đào tạo trước (bao gồm nhiều LLM) và các công cụ để tinh chỉnh và chạy chúng. LangChain thường tích hợp với Hugging Face nhưng tập trung vào nhiệm vụ cấp cao hơn là xây dựng các ứng dụng xung quanh các mô hình này thay vì thực hiện mô hình đó.
LangChain cung cấp một bộ công cụ mạnh mẽ cho các nhà phát triển muốn khai thác khả năng của LLM cho các ứng dụng phức tạp, có nhận thức về ngữ cảnh. Thiết kế mô-đun và hệ sinh thái tích hợp ngày càng phát triển của nó khiến nó trở thành lựa chọn phổ biến để xây dựng thế hệ công cụ hỗ trợ AI tiếp theo. Bạn có thể khám phá thêm khả năng của nó thông qua tài liệu chính thức của LangChain và kho lưu trữ GitHub của LangChain .
VI
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
TR
