LangChain es un marco poderoso diseñado para ayudar a los desarrolladores a crear aplicaciones de un extremo a otro utilizando modelos de lenguaje. Proporciona un conjunto de herramientas, componentes e interfaces que simplifican el proceso de creación de aplicaciones basadas en modelos de lenguaje grandes (LLM) y modelos de chat. LangChain puede gestionar fácilmente interacciones con modelos de lenguaje, vincular múltiples componentes e integrar recursos adicionales como API y bases de datos.

Componentes y Cadenas

Plantillas y valores de avisos

Selectores de ejemplo

Analizadores de salida

Índices y recuperadores

Historial de mensajes de chat

Agentes y kits de herramientas

LangChain Agent es la entidad en el marco que impulsa la toma de decisiones. Tiene acceso a un conjunto de herramientas y puede decidir a qué herramienta llamar en función de la entrada del usuario. Los agentes ayudan a crear aplicaciones complejas que requieren respuestas adaptativas y específicas del contexto. Son particularmente útiles cuando existen cadenas desconocidas de interacciones que dependen de las aportaciones del usuario y otros factores.

Para utilizar LangChain, los desarrolladores primero importan los componentes y herramientas necesarios, como LLM, modelos de chat, agentes, cadenas y funciones de memoria. Estos componentes se combinan para crear una aplicación que comprende, procesa y responde a las entradas del usuario. LangChain proporciona múltiples componentes para casos de uso específicos, como asistentes personales, preguntas y respuestas sobre documentos, chatbots, consulta de datos tabulares, interacción con API, extracción, evaluación y agregación.

El modelo LangChain es una abstracción que representa los diferentes tipos de modelos utilizados en el marco.

LLM (modelo de lenguaje a gran escala): estos modelos toman cadenas de texto como entrada y devuelven cadenas de texto como salida. Son la columna vertebral de muchas aplicaciones de modelos de lenguaje.

Modelo de chat: el modelo de chat funciona con un modelo de lenguaje pero tiene una API más estructurada. Toman una lista de mensajes de chat como entrada y devuelven mensajes de chat. Esto facilita la gestión del historial de conversaciones y el mantenimiento del contexto.

Modelos de incrustación de texto: estos modelos toman texto como entrada y devuelven una lista de elementos flotantes que representan incrustaciones de texto. Estas incrustaciones se pueden utilizar para tareas como recuperación de documentos, agrupación y comparación de similitudes.

LLM y avisos: LangChain facilita la administración de avisos, optimizarlos y crear una interfaz común para todos los LLM. Además, incluye algunas utilidades útiles para trabajar con LLM.

Cadena: Son secuencias de llamadas a LLM u otras utilidades. LangChain proporciona una interfaz estándar para la cadena, se integra con varias herramientas y proporciona una cadena de un extremo a otro para aplicaciones populares.

Generación aumentada de datos: LangChain permite que la cadena interactúe con fuentes de datos externas para recopilar datos para el paso de generación. Por ejemplo, puede ayudar a resumir textos extensos o responder preguntas utilizando fuentes de datos específicas.

Agentes: los agentes permiten que el LLM tome decisiones sobre acciones, tome esas acciones, verifique los resultados y avance hasta que se complete el trabajo. LangChain proporciona una interfaz estándar para corredores, una variedad de corredores para elegir y ejemplos de corredores de un extremo a otro.

Memoria: LangChain tiene una interfaz de memoria estándar que ayuda a mantener el estado entre llamadas en cadena o de proxy. También proporciona una serie de ejemplos de implementaciones de memoria y cadenas o proxies que utilizan memoria.

Evaluación: Los modelos generativos son difíciles de evaluar utilizando métricas tradicionales. Es por eso que LangChain proporciona consejos y cadenas para ayudar a los propios desarrolladores a evaluar sus modelos utilizando LLM.

Preguntas y respuestas específicas de documentos: responda una pregunta basada en documentos determinados, utilizando información de esos documentos para crear la respuesta.

Chatbots: cree chatbots que puedan aprovechar el poder de LLM para generar texto.

Agentes: Desarrollar agentes que puedan decidir acciones, tomarlas, observar los resultados y continuar la ejecución hasta su finalización.