natural language toolkit

数据智能老司机

使用LangChain的生成式AI——自定义LLMs及其输出这一章是关于提高LLMs在特定场景中可靠性和性能的技术和最佳实践，比如复杂的推理和问题解决任务。调整模型以适应特定任务或确保模型输出符合预期的过程被称为条件化。在本章中，我们将讨论微调和提示作为条件化方法。

数据智能老司机

使用LangChain的生成式AI——在生产中的生成式AI正如我们在本书中讨论的那样，由于其生成类似人类文本的能力，大型语言模型（LLMs）近年来引起了广泛关注。从创意写作到对话式聊天机器人，这些生成式人工智能模型在各个行业都有各种应用。然而，将这些复杂的神经网络系统从研究阶段推广到实际部署阶段面临着重大挑战。

数据智能老司机

使用LangChain的生成式AI——构建像ChatGPT这样的聊天机器人由LLM（大型语言模型）驱动的聊天机器人在客户服务等对话任务中表现出色。然而，它们在世界知识方面的缺乏限制了它们在特定领域问答中的效用。在本章中，我们将探讨如何通过检索增强生成（Retrieval-Augmented Generation，RAG）来克服这些限制。RAG通过将聊天机器人的回复基于外部证据来源，实现了更准确和信息丰富的答案。这是通过从语料库中检索相关段落来调整语言模型的生成过程来实现的。关键步骤包括将语料库编码为向量嵌入，以实现快速语义搜索，并将检索结果集成到聊天机器人的提示中。

数据智能老司机

使用LangChain的生成式AI——使用生成式AI进行软件开发虽然本书主要讨论将生成式人工智能（尤其是LLMs）集成到软件应用程序中，但在本章中，我们将讨论如何利用LLMs来帮助软件开发。这是一个庞大的主题；软件开发已被几家咨询公司（如毕马威和麦肯锡）的报告强调为受生成式人工智能影响最大的领域之一。

数据智能老司机

使用LangChain的生成式AI——构建功能强大的智能助手随着大型语言模型的不断发展，一个关键挑战是将它们出色的流畅性转化为可靠的智能助手。本章探讨了通过提示、工具和结构化推理技术增强大型语言模型的方法，以赋予其更大的智能、生产力和可信度。这些方法的统一主题是通过提示、工具和结构化推理技术增强大型语言模型。在本章中，我们将展示一些应用样例，演示这些技术的应用。

数据智能老司机

使用LangChain的生成式AI——数据科学中的LLMs本章讨论生成式人工智能如何可以自动化数据科学。生成式人工智能，特别是语言模型（LLMs），有潜力在各个领域加速科学进展，尤其是通过提供对研究数据的高效分析和辅助文献综述过程。当前许多属于自动化机器学习（AutoML）领域的方法可以帮助数据科学家提高生产力，使数据科学过程更具可重复性。在本章中，我们首先讨论生成式人工智能对数据科学的影响，然后概述数据科学中的自动化。

数据智能老司机

使用LangChain的生成式AI——开始使用LangChain在这本书中，我们将编写大量代码并测试许多不同的集成和工具。因此，在本章中，我们将提供所有必要库的基本设置说明，涵盖最常见的依赖管理工具，如Docker、Conda、pip和Poetry。这将确保您能够运行本书中的所有实际示例。

数据智能老司机

使用LangChain的生成式AI——LangChain 用于LLMs应用大型语言模型（LLMs）如GPT-4已经展示了在生成类似人类文本方面的巨大能力。然而，仅通过API访问LLMs存在一些局限性。相反，将它们与其他数据源和工具结合使用可以实现更强大的应用。在本章中，我们将介绍LangChain作为一种克服LLMs局限性并构建创新语言应用的方法。我们旨在演示如何将最近的AI进展与像LangChain这样强大的框架相结合的潜力。

数据智能老司机

使用LangChain的生成式AI——什么是生成式AI在过去的十年里，深度学习已经经历了巨大的发展，能够处理和生成文本、图像和视频等非结构化数据。这些先进的人工智能模型，包括大型语言模型（LLMs），在各个行业都变得非常受欢迎。目前，围绕着人工智能（AI）在媒体和行业中有很大的关注，有充分的理由认为，随着这些进展，人工智能将对企业、社会和个人产生广泛而重大的影响。这是由多种因素推动的，包括技术的进步、知名应用以及在多个行业中产生变革性影响的潜力。

YBCarry_段松啓

LangChain：自然语言处理新范式随着大语言模型 (LLM) 的引入，自然语言处理已成为互联网上的热门话题。LangChain 是一个开源框架，使开发人员能够开发由大语言模型支持的应用程序，它的应用包括聊天机器人、摘要、生成问答等等。本文将将带您走进 LangChain 的世界，领略自然语言处理新范式的魅力。