趋近智
使用LangChain构建大型语言模型应用
章节 1: LangChain 框架介绍
框架的缘由
LangChain 的核心架构
设置开发环境
您的第一个LangChain应用
章节 2: 模型、提示与解析器
与LLM和聊天模型交互
使用 PromptTemplates 管理提示词
实现少样本提示
使用解析器结构化输出
动手实践：构建结构化数据提取器
章节 3: 构建用于顺序操作的链
链的基本原理
使用简单的LLM链
创建顺序链
使用路由器链实现条件逻辑
实践操作：一个内容生成流程
章节 4: 会话应用中的记忆功能
会话中状态的意义
用于短期回顾的缓冲区记忆
长对话的摘要记忆
使用窗口式和基于令牌的记忆
为链和代理增加记忆功能
实践：构建一个带记忆的聊天机器人
章节 5: 检索增强生成 (RAG) 的数据连接
RAG系统架构
使用文档加载器加载数据
文档分块处理
向量存储和嵌入
使用检索器获取数据
构建问答链
动手实践：基于您文档的问答
章节 6: 开发自主智能体
代理和工具介绍
代理、工具和工具集架构
应用内置工具
创建自定义工具
代理类型和执行器介绍
实操：一个网络搜索代理
实现少样本提示
使用 Kerb 更快构建 LLM 应用
简洁的语法。内置调试功能。从第一天起就可投入生产。
为 ApX 背后的 AI 系统而构建
这部分内容有帮助吗？
- Language Models are Few-Shot Learners, Tom B. Brown, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel M. Ziegler, Jeffrey Wu, Clemens Winter, Christopher Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, Christopher Berner, Sam McCandlish, Alec Radford, Ilya Sutskever, Dario Amodei, 2020 NeurIPS DOI: 10.48550/arXiv.2005.14165 - 本文介绍了上下文学习，并展示了少量样本提示在大型语言模型（如GPT-3）中的有效性，为该技术奠定了学术基础。
- Few-Shot Prompt Templates, LangChain Team, 2024 - LangChain官方文档，提供了关于使用
FewShotPromptTemplate和ExampleSelector进行动态少量样本提示的实用指南。 - Prompt engineering, OpenAI, 2023 - OpenAI官方提示工程指南，涵盖了与LLM交互的原则和方法，包括少量样本示例如何提高模型性能和控制力。
- Embeddings, OpenAI, 2024 - OpenAI的这份指南解释了嵌入、其生成方式以及在语义搜索和示例选择等任务中的应用，这是
SemanticSimilarityExampleSelector的基础。
© 2025 ApX Machine Learning用心打造