李特丽的著作

"李特丽"编著的书籍

内容简介 · · · · · ·

这本书专门为那些对自然语言处理技术感兴趣的读者提供了系统的LLM应用开发指南。全书分为11章，从LLM基础知识开始，通过LangChain这个开源框架为读者解读整个LLM应用开发流程。第1~2章概述LLM技术的发展背景和LangChain框架的设计理念。从第3章开始，分章深入介绍LangChain的6大模块，包括模型I/O、数据增强、链、记忆等，通过大量代码示例让读者了解其原理和用法。第9章通过构建PDF问答程序，帮助读者将之前学习的知识应用于实践。第10章则介绍集成，可拓宽LangChain的用途。第11章为初学者简要解析LLM的基础理论，如Transformer模型等。

《LangChain入门指南：构建高可复用、可扩展的LLM应用程序》以LangChain这个让人熟悉的框架为主线，引导读者一步一步掌握LLM应用开发流程，适合对大语言模型感兴趣的开发者、AI应用程序开发者阅读。

作者简介 · · · · · ·

李特丽，LangChain中文网联合创始人，优秀的软件工程师。曾翻译LangChain、OpenAi、Milvus等AI开发三件套的中文文档，帮助中国开发者快速上手AI开发。
康轶文，LangChain中文网创始人，2005年从个人站长做起，成为第一代SEO“大神”；2012年转型移动互联网营销，成为中国Apple Ads代理商，获得苹果千万美元授信；2022年转型月付制AI数字员工全托管服务，是一位经验丰富的数字员工和人工智能应用专家。

目录 · · · · · ·

第1 章 LangChain：开启大语言模型时代的钥匙
- 1.1 大语言模型概述
  - 1.1.1 什么是大语言模型
  - 1.1.2 大语言模型的发展
  - 1.1.3 大语言模型的应用场景
  - 1.1.4 大语言模型的基础知识
- 1.2 LangChain 与大语言模型
第2 章 LangChain 入门指南
- 2.1 初识LangChain
  - 2.1.1 为什么需要LangChain
  - 2.1.2 LLM 应用开发的最后1 公里
  - 2.1.3 LangChain 的2 个关键词
  - 2.1.4 LangChain 的3 个场景
  - 2.1.5 LangChain 的6 大模块
- 2.2 LangChain 的开发流程
  - 2.2.1 开发密钥指南
  - 2.2.2 编写一个取名程序
  - 2.2.3 创建你的第一个聊天机器人
- 2.3 LangChain 表达式
第3 章模型I/O
- 3.1 什么是模型I/O
- 3.2 模型I/O 功能之模型包装器
  - 3.2.1 模型包装器分类
  - 3.2.2 LLM 模型包装器
  - 3.2.3 聊天模型包装器
- 3.3 模型I/O 功能之提示词模板
  - 3.3.1 什么是提示词模板
  - 3.3.2 提示词模板的输入和输出
  - 3.3.3 使用提示词模板构造提示词
  - 3.3.4 少样本提示词模板
  - 3.3.5 多功能提示词模板
- 3.4 模型I/O 功能之输出解析器
  - 3.4.1 输出解析器的功能
  - 3.4.2 输出解析器的使用
  - 3.4.3 Pydantic JSON 输出解析器
  - 3.4.4 结构化输出解析器
第4 章数据增强模块
- 4.1 数据增强模块的相关概念
  - 4.1.1 LEDVR 工作流
  - 4.1.2 数据类型
- 4.2 加载器
- 4.3 嵌入模型包装器
  - 4.3.1 嵌入模型包装器的使用
  - 4.3.2 嵌入模型包装器的类型
- 4.4 文档转换器
- 4.5 向量存储库
  - 4.5.1 向量存储库的使用
  - 4.5.2 向量存储库的搜索方法
- 4.6 检索器
  - 4.6.1 检索器的使用
  - 4.6.2 检索器的类型
第5 章链
- 5.1 为什么叫链
  - 5.1.1 链的定义
  - 5.1.2 链的使用
  - 5.1.3 基础链类型
  - 5.1.4 工具链类型
- 5.2 细说基础链
  - 5.2.1 LLM 链
  - 5.2.2 路由器链
  - 5.2.3 顺序链
- 5.3 四大合并文档链
  - 5.3.1 Stuff 链
  - 5.3.2 Refine 链
  - 5.3.3 MapReduce 链
  - 5.3.4 重排链
- 5.4 揭秘链的复杂性
  - 5.4.1 复杂链的“套娃”式设计
  - 5.4.2 LEDVR 工作流的终点：“上链”
第6 章记忆模块
- 6.1 记忆模块概述
  - 6.1.1 记忆组件的定义
  - 6.1.2 记忆组件、链组件和Agent 组件的关系
  - 6.1.3 设置第一个记忆组件
  - 6.1.4 内置记忆组件
  - 6.1.5 自定义记忆组件
- 6.2 记忆增强检索能力的实践
  - 6.2.1 获取外部数据
  - 6.2.2 加入记忆组件
- 6.3 记忆增强Agent 能力的实践
- 6.4 内置记忆组件的对比
  - 6.4.1 总结记忆组件
  - 6.4.2 会话记忆组件和会话窗口记忆组件的对比
  - 6.4.3 知识图谱记忆组件和实体记忆组件的比较
第7 章 Agent 模块
- 7.1 Agent 模块概述
  - 7.1.1 Agent 组件的定义
  - 7.1.2 Agent 组件的运行机制
  - 7.1.3 Agent 组件入门示例
  - 7.1.4 Agent 组件的类型
- 7.2 Agent 组件的应用
  - 7.2.1 Agent 组件的多功能性
  - 7.2.2 自定义Agent 组件
  - 7.2.3 ReAct Agent 的实践
- 7.3 工具组件和工具包组件
  - 7.3.1 工具组件的类型
  - 7.3.2 工具包组件的类型
- 7.4 Agent 组件的功能增强
  - 7.4.1 Agent 组件的记忆功能增强
  - 7.4.2 Agent 组件的检索能力增强
第8 章回调处理器
- 8.1 什么是回调处理器
  - 8.1.1 回调处理器的工作流程
  - 8.1.2 回调处理器的使用
  - 8.1.3 自定义链组件中的回调
- 8.2 内置回调处理器
- 8.3 自定义回调处理器
第9 章使用LangChain 构建应用程序
- 9.1 PDF 问答程序
  - 9.1.1 程序流程
  - 9.1.2 处理PDF 文档
  - 9.1.3 创建问答链
- 9.2 对话式表单
  - 9.2.1 OpenAI 函数的标记链
  - 9.2.2 标记链的使用
  - 9.2.3 创建提示词模板
  - 9.2.4 数据更新和检查
- 9.3 使用LangChain 实现BabyAGI
  - 9.3.1 BabyAGI 介绍
  - 9.3.2 环境与工具
  - 9.3.3 向量存储
  - 9.3.4 构建任务链
  - 9.3.5 创建BabyAGI
  - 9.3.6 运行BabyAGI
第10 章集成
- 10.1 集成的背景与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 向量库集成指南
  - 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 应用开发必学知识
- 11.1 LLM 的核心知识
  - 11.1.1 文本嵌入
  - 11.1.2 点积相似性和余弦相似性
  - 11.1.3 注意力机制
- 11.2 Transformer 模型
- 11.3 语义搜索
  - 11.3.1 语义搜索的工作原理
  - 11.3.2 RAG 的工作原理
- 11.4 NLP 与机器学习基础
  - 11.4.1 LLM 应用开发中的传统机器学习方法
  - 11.4.2 NLP 文本预处理
  - 11.4.3 构建分类器
附录A LangChain 框架中的主要类
附录B OpenAI 平台和模型介绍
附录C Claude 2 模型介绍
附录D Cohere 模型介绍
附录E PaLM 2 模型介绍
附录F Pinecone 向量数据库介绍
附录G Milvus 向量数据库介绍

本站基于Calibre构建，感谢开源界的力量。所有资源搜集于互联网，如有侵权请邮件联系。

Github | Docker | Project