LangChain总结阶段一

了解Prompt template，和大模型交互就靠它了

提示板(PromptTemplate)是与大型语言模型(LLMs)交互时用来生成结构化提示的工具。它使用Python的 str.format 方法来构建带有占位符的模板字符串，允许开发者插入特定主题或其他变量以生成定制化的提示。这种方式简化了与LLMs的对话，使得生成复杂的、针对性的请求变得更加容易和直观。最后我们演示了如何使用PromptTemplate与大模型交互。

使用few-shot Prompt template让大模型更懂你

在与大型语言模型(LLMs)的交互中，使用少量示例(few-shot)的提示模板可以显著提高模型对特定任务的理解和回答质量。通过构建一个包含少量精心挑选的示例的列表，每个示例都是一个包含输入和预期输出的字典，我们可以训练模型更好地理解特定的问题类型和上下文。我们介绍了 FewShotPromptTemplate 和 ExampleSelector的使用。此外我们可以结合Exampleselector 和 SemanticsimilarityExampleselector，利用语义相似度来自动选择与当前输入最相关的少量示例。这种方法适用于有大量示例和类别的场景，能够帮助模型更精确地定位和回答问题。通过这种方式，我们可以构建出更加智能和定制化的LLM应用。

用Output Parsers解析大模型的回答

LangChain的输出解析器Output Parsers是一组工具，用于将大型语言模型(LLM)的输出转换为结构化数据。这些解析器实现两个主要方法: get_format_instructions 返回格式化指令字符串，而 parse 将模型响应转换为特定结构。例如，PydanticoutputParser 支持使用Pydantic模型进行数据验证和结构化。LangChain提供多种输出解析器，支持不同的数据格式和流程，如JSON、XML、CSV，以及特殊用途的解析器，如用于错误修复或重试的解析器。这些工具有助于优化数据处理流程，使LLM输出更加可用和可靠。

了解大模型通用接口，掌握大模型替换方法

LangChain为大型语言模型(LLMs)提供了一个标准化的接口，使得不同来源的LLMs能够通过统一的方式进行交互。这个接口简单明了，接受字符串输入并返回字符串输出。在本阶段，我们实现了自定义LLMs models。通过继承 BaseLLM 类并实现 _generate 方法，用户可以创建自己的LLM类，这样就可以将任何模型或系统整合到LangChain生态中。这种灵活性使得LangChain可以轻松适应不同的业务需求和技术栈，同时保持了与LLMs交互的简洁性。模拟大模型返回帮你测试，掌握如何本地测试LangChain社区提供了 FakeListL 类，这是一个用于模拟大型语言模型(LLM)响应的工具，非常适合本地测试和开发。通过这个Fake大模型，开发者可以提前定义一系列响应，然后在调用模型时返回这些预设的答案。这样做的好处是可以在不实际调用外部服务的情况下，测试代码的逻辑和行为。在本阶段我们演示了使用Fake大模型的示例。

3-使用Langchain实现问答机器人，掌握使用Langchain改造问答机器人

本阶段我们对前面我们实现的问答机器人进行了改造，同时引入日志记录功能。我们之前的阶段中使用OpenAl的sak实现了问答机器人，本阶段我们使用了LangChain的LLMs Models来实现了问答机器人，我们结合LangChain Model //0中，也就是和大模型交互的过程中的主要的三个模型库，LLMs Models ，在这里我们使用的是Tongyi大模型， 同时使用 PromptTemplate 用于构建发送给大模型的提示，并使用 0utput parser 格式化大模型输出的内容，将大模型的输出转化为Pytantic的对象，这样我们就可以将用户的输入内容和大模型的输出内容做相关的记录，比如录入数据库。这样的实现不仅能够实现实时的问答交互，还能够记录交互日志，便于后续的分析和审计。我们通过这个实战项目带领大家完整的学习了如何使用LangChain的最重要的3个核心模块和大模型的交互过程。也可以完整的看到通过LangChain实现与大模型的输入、调用和输出解析的全过程，希望大家通过这个实战项目能够更好的理解LangChain的使用方法。