“虽然与大型语言模型（LLM）的交互通常始于简单的提示与响应对话，但构建有用的应用需要更多结构。不要只考虑一次查询。任务通常涉及多个步骤、数据转换，并可能与LLM或其他服务进行多次互动。”
LLM工作流指的是这种结构化的操作序列，旨在以一个或多个LLM为组成部分，达成特定目标。它是有序安排输入、LLM调用、数据处理以及可能的外部工具或数据源，以产生期望结果的过程。
请考虑以下几点：
- **不止是单次调用：**虽然基本交互涉及发送提示和接收响应，但一个工作流可能涉及预处理用户输入、从数据库获取相关信息、使用这些信息构建详细提示、调用LLM、解析结构化输出，然后根据该输出采取进一步行动。
- **编排：**工作流管理不同组件之间的数据和控制流动。这可以像将一步的输出作为下一步的输入一样简单，也可能涉及复杂的条件逻辑和决策，有时甚至直接使用LLM来决定下一步。
- **应用的构成单元：**工作流是将LLM能力整合到功能性软件中的基本结构。无论您是构建聊天机器人、文档摘要工具、代码生成器还是数据分析工具，您实际上都在设计和实现一个LLM工作流。
简单工作流与复杂工作流
工作流的复杂程度差异很大：
- **简单工作流：**一个直接的例子可能包括获取用户文本、使用模板将其格式化为特定提示（例如，“Summarize the following text: {user_text}”）、将其发送给LLM，并显示原始摘要。
- **复杂工作流：**一个更复杂的工作流，例如用于检索增强生成（RAG）的工作流，可能如下所示：
- 接收用户问题。
- 使用问题在向量 (vector)数据库中查找相关文档片段。
- 将问题和检索到的上下文 (context)组合成一个提示。
- 将组合后的提示发送给LLM。
- 接收LLM的响应，该响应以所提供的上下文为依据。
- 为用户格式化响应。
此图展示了一个通用结构：
一个典型流程涉及处理输入、准备提示、与LLM互动以及处理输出。一些工作流可能涉及反馈循环或多次LLM调用。
理解工作流很重要，因为它将视角从把LLM视为一个独立的魔法盒子转变为将其看作一个更大、经过设计的系统中的一个强大组件。本课程侧重于使用Python以及LangChain和LlamaIndex等特定库来有效设计、实现、测试和部署这些工作流。
