LangChain介绍

关注

原创最新推荐文章于 2026-05-31 16:13:36 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

Ollama入门教程：从安装到运行的完整指南随着人工智能（AI）技术的快速发展，大型语言模型（LLMs）逐渐成为了各行各业的重要工具。然而，使用这些强大模型的同时，数据隐私、处理效率和部署复杂度等问题也逐渐浮现。为了解决这些问题，Ollama 提供了一种创新的解决方案——通过本地化部署大型语言模型，不仅能够增强数据隐私性，还能提高模型的运行效率。本文将详细介绍如何下载和安装 Ollama，如何选择和运行不同的语言模型，以及 Ollama 的特点、适用场景、优缺点等内容，帮助大家深入了解这一平台。ollama官网🚪 ollama官方文档🚪 根据自己阅读详情

LangChain

LangChain: 一个快速崛起的开源项目

LangChain 快速迭代

LangChain: 通过组合模块和能力抽象来扩展 LLM 的助手

大语言模型跟这个框架结合到一起
构建新的APP

模块

model I/O
data connection
- 处理数据流从外部的数据进行处理生成一个promote跟大模型交互
- promote可以反复生成基于之前的结果不断的生成promote
chain
memory
- 记忆功能
agents
- auto gpt
- 代理
callbacks
- 回调功能

AIGC应用的开发生态

操作系统云原生深度学习应用层

大模型应用
web应用
移动app

目前都有很多的框架完成web应用和移动app

flutter
flask
django

为什么需要LangChain

问题

Question: 为什么开发者要用 LangChain 而不是直接使用 OpenAI 或者 Hugging Face 上的模型?

重复造轮子效率问题

Harrison: Hugging Face、OpenAI、Cohere 可以提供底座模型和 API，但是在产品中集成和使用它们仍然需要大量的工作。

Hugging Face 类似github 上面有大模型和应用集

huggingface.co/settings/to…

openai-translator 项目是典型的 LLM 应用实践

将英文的内容通过promote给大模型进行翻译

实际的架构设计

GPT4的问题

训练语料 2021年
无法对接外部工具
输出结果不稳定
不能调用外部API
不能私有化
max token限制最大32K 并且价格贵

**App 不等于 GTP API封装 **

LangChain 典型使用场景 RAG

流程

1 调用langchain 发问
2 embedding
3 拿到向量
4 检索向量数据库
5 拿到相关的答案
6 发问大语言模型

LangChain 基础概念与模块化设计

LLM
MEMORY
- 内存
- 持久化的向量数据库
PROMPT
- 提示技巧
AGENT
- excutor 运行时
- auto gpt

CHAIN 流水线

QA over doc RAG
Summarization 文本总结
- 解析表格数据数据分析
- 针对单张表进行问询
chatbots
querying data 数据分析表格统计
interacting with apis 连接搜索引擎组合成强力的工具
code understanding 代码理解

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍