LangChain 是一个开源框架，旨在简化使用大型语言模型 (LLM) 创建应用程序的过程。可以将其想象成一套使用高级语言工具进行搭建的乐高积木。
它对于想要构建复杂的基于语言的应用程序而又不必管理直接与语言模型交互的复杂性的开发人员特别有用。它简化了将这些模型集成到应用程序中的过程，使开发人员能够更加专注于应用程序逻辑和用户体验。
LLMs
'LLM'代表'大型语言模型'，这是一种旨在大规模理解、生成和与人类语言交互的人工智能模型。这些模型在大量文本数据上进行训练，可以执行各种与语言相关的任务。
这些模型最初通过识别和解释单词与更广泛概念之间的关系来建立基础理解。这一初始阶段为进一步的微调奠定了基础。微调过程涉及监督学习，其中使用有针对性的数据和特定反馈对模型进行微调。此步骤可提高模型在各种情况下的准确性和相关性。
Transformer
训练数据通过一种称为 Transformer 的专门神经网络架构进行处理。这是大型语言模型 (LLM) 开发的关键阶段。
从非常高层次的概述来看，编码器处理输入数据（例如一种语言的句子）并将信息压缩为上下文向量。然后解码器获取此上下文向量并生成输出（例如将句子翻译成另一种语言）。
编码器和解码器具有'自注意力'机制，这使得模型可以对输入数据的不同部分的重要性赋予不同的权重。
自注意力机制让模型在处理特定单词或短语时能够关注输入文本的不同部分。对于每个单词，模型会评估句子中所有其他单词与其的相关性，并为这些关系分配权重。这些权重有助于模型更全面地理解句子结构和含义，从而生成更准确、更符合语境的回复或翻译。
大模型 (LLM)
专有模型：这些是由公司开发和控制的 AI 模型。它们通常提供高性能，并得到大量资源和研究的支持。然而，它们的使用成本可能很高，可能具有限制性许可证，并且其内部工作原理通常不透明（闭源）。
开源模型：相比之下，开源 AI 模型可供任何人免费使用、修改和分发。它们促进社区内的协作和创新，并提供更大的灵活性。然而，它们的性能可能并不总是与专有模型相匹配，而且它们可能缺乏大公司提供的广泛支持和资源。
这些模型之间的选择涉及性能、成本、易用性和灵活性方面的权衡。开发人员必须决定是选择可能更强大但限制更多的专有模型，还是更灵活但可能不够完善的开源替代方案。这一选择反映了软件开发中早期的决策点，例如 Linux 所呈现的决策点，标志着 AI 技术及其可访问性发展的重要阶段。
LangChain
LangChain 有助于访问和合并来自各种来源（例如数据库、网站或其他外部存储库）的数据到使用 LLM 的应用程序中。
VectorStore 向量存储
它将文档转换为向量存储。文档中的文本被转换为称为向量的数学表示，向量的表示称为嵌入。
当 LangChain 处理文档时，它会为文本内容生成嵌入。
