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
会话中状态的意义
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？
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, 2017 arXiv DOI: 10.48550/arXiv.1706.03762 - 这篇基础论文介绍了Transformer架构，该架构是现代大型语言模型的基础，并解释了它们为何本质上处理固定大小的输入，从而在没有显式记忆机制的情况下导致无状态交互模型。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, 2020 NeurIPS 2020 DOI: 10.48550/arXiv.2005.11401 - 这篇论文介绍了检索增强生成（RAG）方法，通过从知识库中检索相关信息来增强大型语言模型的输入，从而扩展其对事实性回忆的有效“记忆”，超越了即时对话的限制，解决了上下文窗口限制的问题。
© 2025 ApX Machine Learning用心打造