langchain支持PGVector作为矢量存储
使用postgres作为后端并利用pgvector扩展的LangChain向量库抽象的实现。
The code lives in an integration package called: langchain_postgres.
您可以运行以下命令来启动具有pgvector扩展名的postgres容器：
Langchain库中的OpenAI函数调用API
检索增强一代的终结？新兴的体系结构标志着一种转变
Retrieval Augmented Generation (RAG) has been a cornerstone in enhancing large language models (LLMs) for complex, knowledge-driven tasks. By pulling in relevant data from a vector database, RAG has empowered LLMs with factual grounding, significantly reducing instances of fabricated information. But is this the end of the road for RAG?
Devin，新的人工智能，能取代人类软件工程师吗？
A new AI named Devin claiming the title of the world’s first AI software engineer. From coding entire projects to fixing GitHub issues, Devin seems to be the new topic. And with such sensational capabilities, the rumor mill is working overtime, sparking fears that the era of human software engineers might be coming to an end. But before you join the panic parade, let’s take a look and see why, despite these advancements, we’re not heading for the job market exit anytime soon.
使用LangChain、LLM和Streamlit构建用于复杂SQL数据库交互的聊天应用程序
In this article we will see how we can use large language models (LLMs) to interact with a complex database using Langchain agents and tools, and then deploying the chat application using Streamlit.
如何从头开始构建LLM
This is the 6th article in a series on using large language models (LLMs) in practice.
用LangChain和Amazon Bedrock建立RAG管道
In this post, you'll learn how you can set up and integrate Amazon Bedrock with your LangChain app for an end-to-end RAG pipeline
👋
New to LangChain? Start with this introductory post first. It'll give you a great overview of everything you need to know before diving in. Come back when you're done!
Langchain LLM代理简介：当RAG不够时
人工智能助手大脑结构的一阶原理
Hello everyone, this article is a written form of a tutorial I conducted two weeks ago with Neurons Lab. If you prefer a narrative walkthrough, you can find the YouTube video here:
As always, you can find the code on GitHub, and here are separate Colab Notebooks:
【LangChain】使用LangChain（而非OpenAI）回答有关文档的问题
如何使用Hugging Face LLM（开源LLM）与您的文档、PDF以及网页中的文章进行对话。
最后，这是第一步。我已经到处找了好几个月了。
所有的文章、教程和youtube视频都只教你如何使用OpenAI做事。但老实说，这相当令人沮丧。首先，所有人工智能模型的基础都来自学术界：其次，我不敢相信，当有一个大社区在幕后工作时，我们被迫去做事情。
在这里，我将展示如何在不使用OpenAI的情况下使用免费的Google Colab笔记本与任何文档交互（我将在这里介绍文本文件、pdf文件和网站url）。由于计算的限制，我们将使用Hugging Face API和完全开源的LLM来利用LangChain库与我们的文档交互。
作为指南的简介
我对文本生成背后的技术很感兴趣，作为一名工程师，我想进行实验。但作为一个人和一名教师，我认为了解人工智能的工具和思考工具更重要。
我强烈建议你阅读詹姆斯·普朗基特的精彩文章《论生成人工智能与不自由》。引用他的话：
技术真的是我们经常想象中的中立工具吗？即技术是我们发明然后决定如何使用的东西吗？
【LangChain】与文档聊天：将OpenAI与LangChain集成的终极指南
欢迎来到人工智能的迷人世界，在那里，人与机器之间的通信越来越模糊。在这篇博客文章中，我们将探索人工智能驱动交互的一个令人兴奋的新前沿：与您的文本文档聊天！借助OpenAI模型和创新的LangChain框架的强大组合，您现在可以将静态文档转化为交互式对话。
你准备好彻底改变你使用文本文件的方式了吗？然后系好安全带，深入了解我们将OpenAI与LangChain集成的终极指南，我们将一步一步地为您介绍整个过程。
什么是LangChain？
LangChain是一个强大的框架，旨在简化大型语言模型（LLM）应用程序的开发。通过为各种LLM、提示管理、链接、数据增强生成、代理编排、内存和评估提供单一通用接口，LangChain使开发人员能够将LLM与真实世界的数据和工作流无缝集成。该框架允许LLM通过合并外部数据源和编排与不同组件的交互序列，更有效地解决现实世界中的问题。
我们将在下面的示例应用程序中使用该框架从文本文档源生成嵌入，并将这些内容持久化到Chroma矢量数据库中。然后，我们将使用LangChain在后台使用OpenAI语言模型来查询用户提供的问题，以处理请求。
这将使我们能够与自己的文本文档聊天。