LangChain یک چارچوب توسعه برنامه‌های هوش مصنوعی (AI) در زمینه پایتون منبع باز است که ماژول‌ها و ابزارهای مورد نیاز برای ساخت برنامه‌های هوش مصنوعی بر اساس مدل‌های بزرگ فراهم می‌کند. با استفاده از LangChain، توسعه‌دهندگان می‌توانند به راحتی با مدل‌های زبان بزرگ (LLMs) ادغام کرده و وظایفی مانند تولید متن، پاسخ دادن به سوالات، ترجمه و گفتگو را انجام دهند. LangChain، مانعی برای توسعه برنامه‌های هوش مصنوعی فراهم می‌کند و به هرکسی اجازه می‌دهد که بر اساس LLMs برنامه‌های خلاق خود را ایجاد کند.
ویژگی‌های LangChain:
- LLM و Prompts: LangChain API را برای همه مدل‌های بزرگ انتزاع می‌کند، به دسترسی یکپارچه به مدل‌های بزرگ می‌پردازد و مکانیسمی برای مدیریت قالب‌های پیشنهاد فراهم می‌کند.
- زنجیره‌ها: LangChain برخی از سناریوهای رایج را به ماژول‌های آماده برای استفاده، مثل سیستم‌های پاسخ دادن به سوالات مبتنی بر متن و تولید زبان طبیعی کوئری‌های SQL، می‌بندد. این وظایف مرحله به مرحله مانند یک جریان انجام می‌شوند، بنابراین نام "زنجیره" را دارند.
- LCEL: زبان بیان LangChain (LCEL) ویژگی اصلی نسخه جدید LangChain است که برای حل مسائل سازماندهی جریان کار به کار می‌رود. با استفاده از بیانی LCEL، می‌توانیم جریان پردازش وظایف هوش مصنوعی را به صورت انعطاف پذیر سفارشی‌سازی کنیم که به عنوان "زنجیره‌های انعطاف‌پذیر سفارشی" شناخته می‌شود.
- تولید افزایشی بازیابی (RAG): از آنجا که مدل‌های بزرگ (LLMs) اطلاعات جدید را نمی‌فهمند و نمی‌توانند به سوالات جدید پاسخ دهند، ما اطلاعات جدید را به LLM وارد کرده تا کیفیت محتوای تولید شده را افزایش دهد. این مدل را بازیابی افزایشی تولید (RAG) می‌نامیم.
- عوامل (Agents): این یک الگوی طراحی برای برنامه‌های مبتنی بر مدل‌های بزرگ (LLMs) است که از توانایی‌های درک زبان طبیعی و استدلال LLMs (به عنوان مغز) بهره می‌برد تا به صورت خودکار سیستم‌ها و دستگاه‌های خارجی را برای تکمیل وظایف بر اساس نیازهای کاربر فراخوانی کند. به عنوان مثال، کاربر "فردا یک روز مرخصی بگیر" را وارد کند و مدل بزرگ (LLM) به طور خودکار سیستم مرخصی را فراخوانی کرده و یک برنامه مرخصی را آغاز می‌کند.
- حافظه مدل: این امکان می‌دهد که مدل بزرگ (LLM) به محتوای گفتگوهای قبلی یادآوری کند، به عنوان حافظه مدل شناخته می‌شود.