LangChain入門指南:構(gòu)建高可復(fù)用、可擴(kuò)展的LLM應(yīng)用程序
定 價:99 元
- 作者:李特麗
- 出版時間:2024/1/1
- ISBN:9787121467271
- 出 版 社:電子工業(yè)出版社
- 中圖法分類:TP311.561
- 頁碼:312
- 紙張:
- 版次:01
- 開本:16開
這本書專門為那些對自然語言處理技術(shù)感興趣的讀者提供了系統(tǒng)的LLM應(yīng)用開發(fā)指南。全書分為11章,從LLM基礎(chǔ)知識開始,通過LangChain這個開源框架為讀者解讀整個LLM應(yīng)用開發(fā)流程。第1~2章概述LLM技術(shù)的發(fā)展背景和LangChain框架的設(shè)計理念。從第3章開始,分章深入介紹LangChain的6大模塊,包括模型I/O、數(shù)據(jù)增強(qiáng)、鏈、記憶等,通過大量代碼示例讓讀者了解其原理和用法。第9章通過構(gòu)建PDF問答程序,幫助讀者將之前學(xué)習(xí)的知識應(yīng)用于實(shí)踐。第10章則介紹集成,可拓寬LangChain的用途。第11章為初學(xué)者簡要解析LLM的基礎(chǔ)理論,如Transformer模型等。本書以LangChain這個讓人熟悉的框架為主線,引導(dǎo)讀者一步一步掌握LLM應(yīng)用開發(fā)流程,適合對大語言模型感興趣的開發(fā)者、AI應(yīng)用程序開發(fā)者閱讀。
李特麗,LangChain中文網(wǎng)聯(lián)合創(chuàng)始人,優(yōu)秀的軟件工程師。曾翻譯LangChain、OpenAi、Milvus等AI開發(fā)三件套的中文文檔,幫助中國開發(fā)者快速上手AI開發(fā)。 康軼文,LangChain中文網(wǎng)創(chuàng)始人,2005年從個人站長做起,成為第一代SEO“大神”;2012年轉(zhuǎn)型移動互聯(lián)網(wǎng)營銷,成為中國Apple Ads代理商,獲得蘋果千萬美元授信;2022年轉(zhuǎn)型月付制AI數(shù)字員工全托管服務(wù),是一位經(jīng)驗(yàn)豐富的數(shù)字員工和人工智能應(yīng)用專家。
目 錄
第1 章 LangChain:開啟大語言模型時代的鑰匙
1.1 大語言模型概述
1.1.1 什么是大語言模型
1.1.2 大語言模型的發(fā)展
1.1.3 大語言模型的應(yīng)用場景
1.1.4 大語言模型的基礎(chǔ)知識
1.2 LangChain 與大語言模型
第2 章 LangChain 入門指南
2.1 初識LangChain
2.1.1 為什么需要LangChain
2.1.2 LLM 應(yīng)用開發(fā)的最后1 公里
2.1.3 LangChain 的2 個關(guān)鍵詞
2.1.4 LangChain 的3 個場景
2.1.5 LangChain 的6 大模塊
2.2 LangChain 的開發(fā)流程
2.2.1 開發(fā)密鑰指南
2.2.2 編寫一個取名程序
2.2.3 創(chuàng)建你的第一個聊天機(jī)器人
2.4 LangChain 表達(dá)式
第3 章 模型I/O
3.1 什么是模型I/O
3.2 模型I/O 功能之模型包裝器
3.2.1 模型包裝器分類
3.2.2 LLM 模型包裝器
3.2.3 聊天模型包裝器
3.3 模型I/O 功能之提示詞模板
3.3.1 什么是提示詞模板
3.3.2 提示詞模板的輸入和輸出
3.3.3 使用提示詞模板構(gòu)造提示詞
3.3.4 少樣本提示詞模板
3.3.5 多功能提示詞模板
3.4 模型I/O 功能之輸出解析器
3.4.1 輸出解析器的功能
3.4.2 輸出解析器的使用
3.4.3 Pydantic JSON 輸出解析器
3.4.4 結(jié)構(gòu)化輸出解析器
第4 章 數(shù)據(jù)增強(qiáng)模塊
4.1 數(shù)據(jù)增強(qiáng)模塊的相關(guān)概念
4.1.1 LEDVR 工作流
4.1.2 數(shù)據(jù)類型
4.2 加載器
4.3 嵌入模型包裝器
4.3.1 嵌入模型包裝器的使用
4.3.2 嵌入模型包裝器的類型
4.4 文檔轉(zhuǎn)換器
4.5 向量存儲庫
4.5.1 向量存儲庫的使用
4.5.2 向量存儲庫的搜索方法
4.6 檢索器
4.6.1 檢索器的使用
4.6.2 檢索器的類型
第5 章 鏈
5.1 為什么叫鏈
5.1.1 鏈的定義
5.1.2 鏈的使用
5.1.3 基礎(chǔ)鏈類型
5.1.4 工具鏈類型
5.2 細(xì)說基礎(chǔ)鏈
5.2.1 LLM 鏈
5.2.2 路由器鏈
5.2.3 順序鏈
5.3 四大合并文檔鏈
5.3.1 Stuff 鏈
5.3.2 Refine 鏈
5.3.3 MapReduce 鏈
5.3.4 重排鏈
5.4 揭秘鏈的復(fù)雜性
5.4.1 復(fù)雜鏈的“套娃”式設(shè)計
5.4.2 LEDVR 工作流的終點(diǎn):“上鏈”
第6 章 記憶模塊
6.1 記憶模塊概述
6.1.1 記憶組件的定義
6.1.2 記憶組件、鏈組件和Agent 組件的關(guān)系
6.1.3 設(shè)置第一個記憶組件
6.1.4 內(nèi)置記憶組件
6.1.5 自定義記憶組件
6.2 記憶增強(qiáng)檢索能力的實(shí)踐
6.2.1 獲取外部數(shù)據(jù)
6.2.2 加入記憶組件
6.3 記憶增強(qiáng)Agent 能力的實(shí)踐
6.4 內(nèi)置記憶組件的對比
6.4.1 總結(jié)記憶組件
6.4.2 會話記憶組件和會話窗口記憶組件的對比
6.4.3 知識圖譜記憶組件和實(shí)體記憶組件的比較
第7 章 Agent 模塊
7.1 Agent 模塊概述
7.1.1 Agent 組件的定義
7.1.2 Agent 組件的運(yùn)行機(jī)制
7.1.3 Agent 組件入門示例
7.1.4 Agent 組件的類型
7.2 Agent 組件的應(yīng)用
7.2.1 Agent 組件的多功能性
7.2.2 自定義Agent 組件
7.2.3 ReAct Agent 的實(shí)踐
7.3 工具組件和工具包組件
7.3.1 工具組件的類型
7.3.2 工具包組件的類型
7.4 Agent 組件的功能增強(qiáng)
7.4.1 Agent 組件的記憶功能增強(qiáng)
7.4.2 Agent 組件的檢索能力增強(qiáng)
第8 章 回調(diào)處理器
8.1 什么是回調(diào)處理器
8.1.1 回調(diào)處理器的工作流程
8.1.2 回調(diào)處理器的使用
8.1.3 自定義鏈組件中的回調(diào)
8.2 內(nèi)置回調(diào)處理器
8.3 自定義回調(diào)處理器
第9 章 使用LangChain 構(gòu)建應(yīng)用程序
9.1 PDF 問答程序
9.1.1 程序流程
9.1.2 處理PDF 文檔
9.1.3 創(chuàng)建問答鏈
9.2 對話式表單
9.2.1 OpenAI 函數(shù)的標(biāo)記鏈
9.2.2 標(biāo)記鏈的使用
9.2.3 創(chuàng)建提示詞模板
9.2.4 數(shù)據(jù)更新和檢查
9.3 使用LangChain 實(shí)現(xiàn)BabyAGI
9.3.1 BabyAGI 介紹
9.3.2 環(huán)境與工具
9.3.3 向量存儲
9.3.4 構(gòu)建任務(wù)鏈
9.3.5 創(chuàng)建BabyAGI
9.3.6 運(yùn)行BabyAGI
第10 章 集成
10.1 集成的背景與LLM 集成
10.2 LLM 集成指南
10.2.1 Azure OpenAI 集成
10.2.2 Hugging Face Hub 集成
10.3 聊天模型集成指南
10.3.1 Anthropic 聊天模型集成
10.3.2 PaLM 2 聊天模型集成
10.3.3 OpenAI 聊天模型集成
10.4 向量庫集成指南
10.4.1 Chroma 集成
10.4.2 Pinecone 集成
10.4.3 Milvus 集成
10.5 嵌入模型集成指南
10.5.1 HuggingFaceEmbeddings 嵌入集成
10.5.2 LlamaCppEmbeddings 嵌入集成
10.5.3 Cohere 嵌入集成
10.6 Agent toolkits 集成指南
10.6.1 CSV Agent 的集成
10.6.2 Pandas Dataframe Agent 的集成
10.6.3 PowerBI Dataset Agent 的集成
10.7 Retrievers 集成指南
10.7.1 WikipediaRetriever 集成
10.7.2 ArxivRetriever 集成
10.7.3 Azure Cognitive Search 集成
第11 章 LLM 應(yīng)用開發(fā)必學(xué)知識
11.1 LLM 的核心知識
11.1.1 文本嵌入
11.1.2 點(diǎn)積相似性和余弦相似性
11.1.3 注意力機(jī)制
11.2 Transformer 模型
11.3 語義搜索
11.3.1 語義搜索的工作原理
11.3.2 RAG 的工作原理
11.4 NLP 與機(jī)器學(xué)習(xí)基礎(chǔ)
11.4.1 LLM 應(yīng)用開發(fā)中的傳統(tǒng)機(jī)器學(xué)習(xí)方法
11.4.2 NLP 文本預(yù)處理
11.4.3 構(gòu)建分類器
附錄A LangChain 框架中的主要類
附錄B OpenAI 平臺和模型介紹
附錄C Claude 2 模型介紹
附錄D Cohere 模型介紹
附錄E PaLM 2 模型介紹
附錄F Pinecone 向量數(shù)據(jù)庫介紹
附錄G Milvus 向量數(shù)據(jù)庫介紹