LangChain: AI 應用編排框架深度解析
從組件到生態系統的完整指南
LangChain 是目前最受歡迎的 LLM 應用開發框架，但它真的適合你的項目嗎？ 本互動式指南將深入分析 LangChain 的核心組件、與競品的比較， 以及在不同場景下的最佳實踐。 點擊下方按鈕探索不同主題
LangChain 架構概覽
探索 LangChain 的核心模組架構及其相互關係
LangChain 模組架構
Model I/O
Prompts
LLMs
Chat Models
Output Parsers
處理模型輸入輸出
Retrieval
Document Loaders
Text Splitters
Retrievers
Embedding Models
文檔檢索與處理
Chains
Sequential Chains
組合多個步驟
工作流程編排
Agents
Intelligent Agents
動態決策執行
智能代理系統
Model I/O 模組
專注於與大型語言模型的交互，處理輸入（如提示詞）、API 調用和輸出（如完成結果）。
- 提供標準化接口支援各種 LLM
- 支援低階文本完成和高階對話模型
- 具備串流和快取功能
Retrieval 模組
處理與用戶輸入一起使用的數據，負載和修改應包含在提示詞中的文檔或數據庫記錄。
- 支援 CSV、JSON、PDF、純文本等格式
- 可創建自定義文檔載入器
- 支援文檔創建和數據庫存儲
模型抽象 (Models)
統一的介面來與不同的 LLM 供應商互動
範例：OpenAI、Anthropic、Cohere 等 80+ 供應商
複雜度: ⭐⭐採用度: 📈📈📈📈📈
提示工程 (Prompts)
結構化的提示模板和輸出解析器
範例：PromptTemplate + OutputParser = 結構化數據
複雜度: ⭐⭐⭐採用度: 📈📈📈📈
記憶管理 (Memory)
為無狀態的 LLM 添加對話記憶
範例：ConversationBufferMemory、ConversationSummaryMemory
複雜度: ⭐⭐⭐採用度: 📈📈📈📈
數據連接 (Indexes)
RAG 的核心：文件載入、分割、向量化
範例：PDF → 文本塊 → 向量 → 檢索
複雜度: ⭐⭐⭐⭐採用度: 📈📈📈📈📈