LANGCHAIN学习手册

本书的主要内容有：利用检索增强生成（RAG）的强大能力，结合外部的最X新数据，提升大语言模型（LLM）的准确性。开发并部署能够与用户进行智能、上下文感知交互的AI应用。 使用LangGraph提供的强大智能体架构。集成并管理第三方API与工具，扩展AI应用的功能边界。对AI应用进行监控、测试与评估，持续优化性能表现。理解LLM应用开发的基础原理，以及它们如何与LangChain结合使用。

Mayo Oshin是一位科技创业者、AI顾问和天使投资人。他是LangChain开源库早期的开发贡献者和重要倡导者之一，也是广受欢迎的“与数据对话”AI活动的先驱。Nuno Campos是LangChain的创始软件工程师之一。他拥有超过十年的Python和JavaScript软件工程经验，曾担任工程师、架构师，以及开源项目维护者。

目录
前言 1
第1 章 使用LangChain 的LLM 基础知识 21
1.1 LangChain 环境设置指南 .23
1.2 在LangChain 中使用LLM 25
1.3 让LLM 提示词可复用 28
1.4 从LLM 获取特定格式的输出 35
1.4.1 JSON 输出 35
1.4.2 其他机器可读格式与输出解析器 37
1.5 组装LLM 应用的诸多组件 .38
1.5.1 使用Runnable 接口 38
1.5.2 命令式组合 40
1.5.3 声明式组合 43
1.6 总结 .45
第2 章 RAG 第一部分：为你的数据建立索引 47
2.1 目标：为LLM 选择相关上下文 48
2.2 嵌入：将文本转换为数字 49
2.2.1 LLM 出现之前的嵌入 49
2.2.2 基于LLM 的嵌入 51
2.2.3 语义嵌入详解 52
2.3 将文档转换为文本 55
2.4 将文本拆分为块 57
2.5 生成文本嵌入 .62
2.6 在向量数据库中存储嵌入 65
2.6.1 PGVector 环境设置 66
2.6.2 使用向量数据库 67
2.7 跟踪文档的变更 70
2.8 索引优化75
2.8.1 MultiVectorRetriever .76
2.8.2 RAPTOR：用于树状检索的递归抽象处理 80
2.8.3 ColBERT：优化嵌入 81
2.9 总结 .83
第3 章 RAG 第二部分：与你的数据对话 85
3.1 RAG 简介 .85
3.1.1 检索相关文档 87
3.1.2 使用相关文档生成LLM 预测结果 .91
3.2 查询转换96
3.2.1 Rewrite-Retrieve-Read（重写– 检索– 阅读） 97
3.2.2 多查询检索 99
3.2.3 RAG-Fusion 策略 .103
3.2.4 假设文档嵌入（HyDE） 107
3.3 查询路由. 111
3.3.1 逻辑路由 111
3.3.2 语义路由 115
3.4 查询构造. 117
3.4.1 文本到元数据过滤器（Text-to-Metadata Filter） 118
3.4.2 文本到SQL .121
3.5 总结 123
第4 章 使用LangGraph 为你的聊天机器人添加记忆 125
4.1 构建聊天机器人的记忆系统 .126
4.2 LangGraph 简介 128
4.3 创建StateGraph 131
4.4 为StateGraph 添加记忆 136
4.5 修改聊天记录 138
4.5.1 截断消息 138
4.5.2 过滤消息 141
4.5.3 合并连续消息 .143
4.6 总结 145
第5 章 使用LangGraph 构建认知架构 . 147
5.1 架构#1：LLM 调用 .150
5.2 架构#2：链式架构 153
5.3 架构#3：路由器架构 158
5.4 总结 167
第6 章 智能体架构 169
6.1 “计划– 执行”循环 .170
6.2 构建LangGraph 智能体 173
6.3 总是先调用工具 .178
6.4 处理多个工具 183
6.5 总结 189
第7 章 智能体Ⅱ . 191
7.1 反思 191
7.2 LangGraph 中的子图 198
7.2.1 直接调用子图 .199
7.2.2 使用函数调用子图 201
7.3 多智能体架构 202
7.4 总结 208
第8 章 充分利用LLM 的模式 209
8.1 结构化输出 211
8.1.1 中间输出 214
8.1.2 逐词元流式输出LLM 的结果 217
8.1.3 人类参与模式 .218
8.1.4 多任务LLM 226
8.2 总结 229
第9 章 部署：将你的AI 应用发布到生产环境 231
9.1 前置要求.231
9.1.1 安装依赖 232
9.1.2 大语言模型 .232
9.1.3 向量存储 233
9.1.4 后端API 238
9.1.5 创建LangSmith 账户 .240
9.2 理解LangGraph 平台API .241
9.2.1 数据模型 242
9.2.2 功能 .243
9.3 在LangGraph 平台上部署你的AI 应用 .245
9.3.1 创建LangGraph API 配置 245
9.3.2 在本地测试你的LangGraph 应用 246
9.3.3 从LangSmith UI 部署 249
9.3.4 启动LangGraph Studio .251
9.4 安全性 .254
9.5 总结 256
第10 章 测试：评估、监控与持续改进 . 257
10.1 LLM 应用开发周期中的测试技术 257
10.2 设计阶段：自我纠错式RAG 259
10.3 预生产阶段 .266
10.3.1 创建数据集267
10.3.2 定义评估标准 271
10.3.3 回归测试 276
10.3.4 评估智能体的端到端性能 .278
10.4 生产阶段 292
10.4.1 追踪 293
10.4.2 在生产环境中收集反馈 293
10.4.3 分类和标记294
10.4.4 监控与修复错误 .295
10.5 总结 295
第11 章 构建基于LLM 的应用 . 297
11.1 交互式聊天机器人 298
11.2 与LLM 协同编辑 300
11.3 环境计算 301
11.4 总结 303