🦜️🔗 LangChain

生产支持： 当您将LangChains投入生产时，我们非常乐意提供更多的实际支持。 填写此表格以分享更多关于您正在构建的内容，我们的团队会与您联系。

🚨7/28/23对部分链（SQLDatabase）的重大更改

为了使langchain更加精简和安全，我们将部分链移至langchain_experimental。 这个迁移已经开始，但我们仍然向后兼容，直到7/28。 在那个日期，我们将从langchain中删除功能。 在这里阅读更多关于动机和进展的信息。 在这里阅读如何迁移您的代码。

快速安装

pip install langchain 或 pip install langsmith && conda install langchain -c conda-forge

🤔这是什么？

大型语言模型（LLMs）正在成为一种具有变革性的技术，使开发人员能够构建以前无法实现的应用程序。然而，仅仅使用这些LLMs往往不足以创建一个真正强大的应用程序 - 真正的力量来自于将它们与其他计算或知识来源结合起来。

这个库旨在帮助开发这些类型的应用程序。这些应用程序的常见示例包括：

❓ 针对特定文档的问答

• 文档
• 端到端示例：对Notion数据库进行问答

💬 聊天机器人

• 文档
• 端到端示例：Chat-LangChain

🤖 代理

• 文档
• 端到端示例：GPT+WolframAlpha

📖 文档

请参阅这里以获取关于以下内容的完整文档：

• 入门（安装、设置环境、简单示例）
• 如何示例（演示、集成、辅助函数）
• 参考（完整的API文档）
• 资源（核心概念的高级解释）

🚀 这可以帮助什么？

LangChain的设计旨在帮助六个主要领域。这些领域按照复杂性递增的顺序如下：

📃 LLMs和Prompts：

这包括提示管理、提示优化、通用LLMs接口以及处理LLMs的常用工具。

🔗 链：

链不仅仅是单个LLM调用，它涉及到一系列调用（无论是对LLM还是其他工具）。LangChain提供了链的标准接口、与其他工具的集成以及常见应用程序的端到端链。

📚 数据增强生成：

数据增强生成涉及到特定类型的链，这些链首先与外部数据源进行交互，以获取用于生成步骤的数据。示例包括长文本的摘要和特定数据源的问答。

🤖 代理：

代理涉及到一个LLM对要采取的操作进行决策，执行该操作，观察结果，并重复此过程直到完成。LangChain为代理提供了标准接口、一系列可供选择的代理和端到端代理的示例。

🧠 存储器：

存储器是指在链/代理的调用之间持久化状态。LangChain为存储器提供了标准接口、一组存储器实现和使用存储器的链/代理示例。

🧐 评估：

[BETA] 生成模型在传统度量标准下很难评估。一种新的评估方法是使用语言模型自身进行评估。LangChain提供了一些用于辅助评估的提示/链。

有关这些概念的更多信息，请参阅我们的完整文档。

💁 贡献

作为一个开源项目，在一个快速发展的领域，我们非常欢迎贡献，无论是新功能、改进基础设施还是更好的文档。

有关如何贡献的详细信息，请参阅这里。