LangChain与新时代生产力(AI应用开发之路)/跟我一起学人工智能

本书全面深入地探讨了 AI生成大模型在多个领域的 应用，从AI的历史探源、生 成式模型在不同领域的应用 （文本、图片、声乐、视频 及多模态模型），到大型语 言模型（如GPT）的运作机 制、预训练、可扩展架构及 其适应性。通过详细介绍 LangChain的概念、应用、 安装方法及如何利用 LangChain进行软件开发和 数据科学研究，本书为读者 提供了一个关于AI生成大模 型应用的全景视图。 本书共11章，覆盖了AI 生成大模型的理论基础、 LangChain的入门与进阶使 用、LangChain在软件开发 和数据科学中的应用及生成 式AI的未来展望等方面。第 1～3章介绍AI生成大模型的 基础知识，如AI历史、生成 式模型在不同领域的应用， 以及大型语言模型，如GPT 的基础和LangChain的初识 与入门。第4～6章深入 LangChain的进阶使用，探 讨Agent构建、文档查询、 聊天机器人开发，提供实战 案例和技术细节。第7～9章 聚焦LangChain在软件开发 和数据科学的应用及定制 LLM输出的策略，介绍编程 、自动化软件开发、数据探 索技术方法及LLM输出优化 。第10章和第11章讨论LLM 在生产环境的应用、监控、 回调处理，以及生成式AI的 未来展望，包括其潜力、社 会影响和挑战。本书旨在为 读者提供LangChain从入门 到进阶的全面知识，适合不 同背景的读者深入学习和应 用。 本书特色在于其理论与 实践相结合的方法论，适合 对AI生成大模型感兴趣的学 生、研究人员和软件开发者 阅读。书中不仅详细介绍了 AI生成大模型的基础知识和 前沿技术，还提供了丰富的 实践指导和案例分析。此外 ，配套资源丰富，包括示例 代码、工具安装指南和案例 研究，极大地增强了本书的 实用性和指导性。无论是AI 领域的新手还是有经验的开 发者都能从中获得必要的知 识和灵感。

陆梦阳，目前任职于世界500强中排名第26位的思科公司，担任客户网络系统数字化与自动化解决方案的主导工程师，成功领导了多项针对全球500强企业的网络架构自动化项目，涵盖台积电、香奈儿、SAP等知名企业，专注于思科DNA Center AI智能网络日志分析的研究方向。在央企外派至肯尼亚期间，主导与当地AI数据标注公司Sama的合作，共同开发了口罩检测及社交距离监测系统，有效地管理了建筑施工项目中的疫情风险。Sama公司作为OpenAI公司的重要数据标注供应商，为ChatGPT模型提供了大量的数据标注服务。作为项目负责人，与Sama公司的合作项目提供了参与超级大语言模型数据训练的宝贵经验和视角。此外，发表了《基于Transformer模型的安全事故分类研究》等学术论文，体现了在该领域的深入研究与贡献。

第1章 什么是AI生成大模型 1.1 AI历史探源 1.1.1 生成式模型 1.1.2 生成式模型在文本领域 1.1.3 生成式模型在图片领域 1.1.4 生成式模型在声乐领域 1.1.5 生成式模型在视频领域 1.1.6 多模态模型 1.2 LLM简介 1.2.1 潮流涌现 1.2.2 GPT的运作机制 1.2.3 模型的预训练 1.2.4 可扩展架构 1.2.5 模型的适应性 1.2.6 上手GPT 1.3 图像模型 1.3.1 图像模型工作原理 1.3.2 图像模型的不同版本 1.3.3 图形模型的调节性 1.4 总结 第2章 初识LangChain 2.1 LLM的局限性 2.2 LLM应用介绍 2.3 LangChain介绍 2.3.1 LangChain的必要性 2.3.2 LangChain支持的应用 2.4 LangChain的工作机制 2.4.1 初识Agent 2.4.2 初识链 2.4.3 初识记忆 2.4.4 LangChain中的工具 2.5 总结 第3章 LangChain入门 3.1 安装LangChain方法 3.1.1 安装Python 3.1.2 Jupyter Notebook和JupyterLab 3.1.3 环境管理 3.2 导入模型 3.2.1 虚拟LLM（Fake LLM） 3.2.2 OpenAI 3.2.3 HuggingFace 3.2.4 微软云 3.2.5 谷歌云 3.2.6 Jina AI 3.2.7 Replicate 3.2.8 本地模型 3.3 模型输出解析 3.3.1 列表解析器 3.3.2 日期解析器 3.3.3 自动修复解析器 3.3.4 Pydantic（JSON）解析器 3.3.5 重试解析器 3.3.6 结构化输出解析器 3.3.7 XML解析器 3.4 LangChain表达式语言 3.4.1 LCEL接口简介 3.4.2 绑定运行时参数 3.4.3 运行自定义函数 3.4.4 流式传输自定义生成器函数 3.4.5 并行化步骤 3.4.6 根据输入的动态路由逻辑 3.5 链 3.5.1 链接口中的方法调用 3.5.2 自定义链的创建 3.5.3 几种常见的链 3.6 实战案例：客户服务助手应用程序开发 3.7 总结 第4章 LangChain进阶：Agent 4.1 构建自己的第1个Agent 4.2 LangChain中的常见Agent类型 4.2.1 Zero-shot ReAct 4.2.2 Structured Input ReAct 4.2.3 OpenAI Functions 4.2.4 Conversational 4.2.5 ReAct Document Store 4.3 迭代器运行Agent 4.4 让Agent返回结构化输出 4.5 处理Agent解析错误 4.6 将Agent构建为图 4.6.1 快速开始 4.6.2 流式输出 第5章 使用LangChain工具进行文档查询 5.1 幻觉现象 5.2 文档总结 5.3 信息提取 5.4 使用工具 5.5 解剖LLM推理的底层策略 5.6 总结 第6章 聊天机器人 6.1 聊天机器人简介 6.1.1 历史溯源 6.1.2 上下文和记忆 6.1.3 意识性与主动性 6.2 检索和向量 6.2.1 嵌入 6.2.2 存储嵌入的方式 6.2.3 索引 6.2.4 向量库 6.2.5 向量数据库 6.2.6 文档加载器 6.2.7 LangChain中的检索器 6.3 实战案例：实现一个聊天机器人 6.4 LangChain中的记忆机制 6.4.1 快速开始 6.4.2 LangChain中基础的记忆类型 6.4.3 其他高级记忆类型 6.4.4 记忆和LLM链 6.4.5 记忆和Agent 6.4.6 自定义会话记忆 6.4.7 自定义记忆 6.4.8 聊天机器人的记忆 6.5 内容监管 6.6 总结 第7章 LangChain和软件开发 7.1 步入新时代 7.1.1 AI在软件领域的最新进展 7.1.2 代码生成LLM 7.1.3 未来展望 7.2 使用LLM编程 7.3 LLM自动化软件开发 7.4 总结 第8章 LangChain和数据科学 8.1 自动化数据科学简介 8.1.1 数据收集 8.1.2 可视化和探索性数据分析 8.1.3 数据预处理和特征提取 8.1.4 自动化机器学习 8.1.5 生成式AI对数据科学的变革 8.2 使用Agent 8.3 数据探索和LLM 8.4 总结 第9章 绽放LangChain的魅力：定制LLM输出 9.1 调整与对齐 9.1.1 对齐的方法 9.1.2 变革者：InstructGPT 9.1.3 LLM推理过程的调整方法 9.1.4 效果评估 9.2 实战案例：LangChain微调LLM 9.3 提示词工程 9.3.1 提示词的结构 9.3.2 提示模板 9.3.3 高级提示词工程 9.4 总结 第10章 生产环境LLM 10.1 引言 10.2 LLM应用评估 10.2.1 比较两个输出 10.2.2 基于标准的比较 10.2.3 字符串和语义比较 10.2.4 基准数据集 10.3 部署LLM应用 10.3.1 FastAPI 10.3.2 Ray 10.4 监测LLM应用 10.4.1 跟踪和追踪 10.4.2 可观测性工具 10.5 LangChain回调 10.5.1 异步回调 10.5.2 自定义回调处理程序 10.5.3 记录到文件 10.5.4 多个回调处理程序 10.5.5 To