本书共10章，分别介绍了LangChain的开发环境搭建、模型、提示、数据连接、链、记忆、代理、回调及周边生态等内容，并用三个案例，即基于Streamlit实现聊天机器人、基于Chainlit实现PDF问答机器人、零代码AI应用构建平台Flowise，将前面大语言模型的内容学以致用。通过本书，读者既能提升自身的技术素养，又能拓展自己解决实际难题的能力。 本书适合刚入门或想加入AI行业的技术从业者、需要结合大语言模型相关技术为业务赋能的产品经理、计算机相关专业的学生，以及AI爱好者和自学者。

第1章 大语言模型及LangChain介绍 1 1.1 大语言模型介绍 1 1.1.1 大语言模型总览 1 1.1.2 大语言模型的发展历史 2 1.1.3 大语言模型的优势 5 1.1.4 大语言模型的发展趋势 5 1.1.5 总结 6 1.2 LangChain介绍 7 1.2.1 LangChain是什么 7 1.2.2 为什么使用LangChain 7 1.2.3 LangChain的应用场景 10 1.2.4 如何使用LangChain 11 第2章 LangChain开发前的准备 14 2.1 创建OpenAI API Key 14 2.2 使用云端Colab进行交互式编程 17 2.2.1 什么是Colab 17 2.2.2 如何使用Colab 17 2.3 使用本地Anaconda JupyterLab进行交互式编程 19 2.3.1 什么是Anaconda 19 2.3.2 安装与使用Anaconda 20 2.4 安装LangChain库 24 第3章 Model（模型） 27 3.1 Model简介 27 3.2 LLM类模型 28 3.2.1 简介 28 3.2.2 代码讲解 29 3.3 Chat类模型 31 3.3.1 简介 31 3.3.2 代码讲解 32 3.4 OpenAI与ChatOpenAI的区别 35 3.5 OpenAI API 36 3.5.1 什么是Token 36 3.5.2 文本补全API：Completion 38 3.5.3 对话补全API：Chat Completion 40 3.5.4 常用参数讲解 41 3.5.5 函数调用 45 3.6 自定义LangChain模型类 48 3.6.1 自定义大语言模型 48 3.6.2 自定义聊天模型 51 3.7 缓存 54 3.7.1 标准缓存 54 3.7.2 流式输出 59 3.7.3 语义化缓存 59 3.7.4 GPTCache 61 3.8 其他 68 3.8.1 异步调用大语言模型 68 3.8.2 模型配置序列化 69 3.8.3 使用Hugging Face 71 第4章 大语言模型及Prompt（提示） 74 4.1 Prompt工程 74 4.1.1 组成Prompt的要素 74 4.1.2 Prompt的书写技巧 75 4.1.3 Prompt的生命周期 81 4.2 提示词模板 82 4.2.1 PromptTemplate 83 4.2.2 PartialPromptTemplate 84 4.2.3 PipelinePromptTemplate 86 4.2.4 FewShotPromptTemplate 88 4.2.5 自定义提示词模板 89 4.2.6 提示词模板的序列化和反序列化 90 4.2.7 ChatPromptTemplate 92 4.2.8 MessagesPlaceholder 94 4.2.9 FewShotChatMessagePromptTemplate 95 4.3 示例选择器 96 4.3.1 LengthBasedExampleSelector 96 4.3.2 SemanticSimilarityExampleSelector 98 4.3.3 MaxMarginalRelevanceExampleSelector 100 4.3.4 NGramOverlapExampleSelector 101 4.3.5 自定义示例选择器 103 4.4 输出解析器 105 4.4.1 CommaSeparatedListOutputParser 105 4.4.2 DatetimeOutputParser 106 4.4.3 EnumOutputParser 107 4.4.4 XMLOutputParser 109 4.4.5 StructuredOutputParser 110 4.4.6 PydanticOutputParser 112 4.4.7 OutputFixingParser 115 4.4.8 RetryWithErrorOutputParser 116 4.4.9 自定义输出解析器 117 第5章 Data Connection（数据连接） 120 5.1 检索增强生成 120 5.1.1 什么是检索增强生成 120 5.1.2 检索增强生成的工作流程 120 5.1.3 什么是Embedding（嵌入） 122 5.1.4 重要的文本预处理 123 5.2 Document Loader（文档加载器） 124 5.2.1 CSV加载器 124 5.2.2 文件目录加载器 124 5.2.3 HTML加载器 125 5.2.4 JSON加载器 126 5.2.5 Markdown加载器 127 5.2.6 URL加载器 127 5.2.7 PDF加载器 129 5.2.8 自定义加载器 132 5.3 Document Transformer（文档转换器） 133 5.3.1 文本分割 134 5.3.2 文本元数据提取 141 5.3.3 文本翻译 143 5.3.4 生成文本问答 144 5.4 Embedding与Vector Store（嵌入与向量数据库） 146 5.4.1 Embedding 146 5.4.2 本地向量存储 148 5.4.3 云端向量存储 151 5.5 Retriever（检索器） 155 5.5.1 基础检索器 155 5.5.2 多重提问检索器 156 5.5.3 上下文压缩检索器 161 5.5.4 集成检索器 167 5.5.5 父文档检索器 168 5.5.6 多向量检索器 170 5.5.7 自查询检索器 176 5.5.8 检索内容重排 179 第6章 Chain（链） 182 6.1 Chain简介 182 6.2 LLM Chain（LLM链） 183 6.3 Sequential Chain（顺序链） 187 6.3.1 SimpleSequentialChain 187 6.3.2 SequentialChain 189 6.4 Router Chain（路由链） 190 6.5 Transform Chain（转换链） 193 6.6 Sumarize Chain（总结链） 195 6.7 API Chain与LLMRequestsChain 197 6.7.1 API Chain 197 6.7.2 LLMRequestsChain 198 6.8 SQL Chain（数据库链） 198 6.8.1 SQLDatabaseChain 199 6.8.2 SQL Agent 201 6.9 QA Chain（问答链） 202 6.9.1 ConversationChain 202 6.9.2 RetrievalQA 202 6.9.3 ConversationalRetrievalChain 203 6.10 LangChain Expression Language（LCEL） 204 6.10.1 管道操作符 204 6.10.2 在链中设置参数 205 6.10.3 配置 206 6.10.4 设置备用方案 207 6.10.5 获取输入并运行自定义函数 208 6.10.6 路由链 210 第7章 Memory（记忆） 213 7.1 Memory简介 213 7.2 将历史对话直接保存成Memory 214 7.2.1 ConversationBufferMemory 214 7.2.2 ConversationBufferWindowMemory 216 7.2.3 ConversationTokenBufferMemory 217 7.3 将历史对话总结后保存成Memory 219 7.3.1 ConversationSummaryMemory 219 7.3.2 ConversationSummaryBufferMemory 221 7.4 通过向量数据库将历史数据保存成Memory 223 7.5 多Memory组合 225 7.6 实体记忆及实体关系记忆 227 7.6.1 通过记录实体进行记忆 227 7.6.2 通过知识图谱进行记忆 229 7.7 在使用LCEL的链中添加内存组件 231 7.8 自定义Memory组件 232 第8章 Agent（代理） 234 8.1 简介 234 8.2 ReAct和Plan and Execute（计划与执行） 235 8.2.1 ReAct 235 8.2.2 Plan and Execute（计划与执行） 236 8.3 Agent初探 237 8.4 Agent类型 239 8.4.1 Chat ReAct 239 8.4.2 ReAct Document Store 241 8.4.3 Conversational 242 8.4.4 OpenAI Function 244 8.4.5 Self-Ask With Search 246 8.4.6 Structured Tool Chat 247 8.4.7 OpenAI Assistant 250 8.5 自定义Tool 252 8.5.1 使用Tool对象 252 8.5.2 继承BaseTool 254 8.5.3 使用Tool装饰器 255 8.5.4 Structured Tool 255 8.5.5 异常处理 257 8.6 人工校验及输入 259 8.6.1 默认人工校验 259 8.6.2 自定义用户审批 260 8.6.3 人工输入 261 8.7 Agent实际应用 263 8.7.1 结合向量存储使用Agent 263 8.7.2 Fake Agent（虚构代理） 264 8.7.3 自定义Agent 265 8.7.4 自定义LLM Agent 267 8.7.5 自定义MRKL Agent 272 8.7.6 自定义具有工具检索功能的Agent 276 8.7.7 Auto-GPT Agent 281 8.8 LangGraph 283 8.8.1 简介 283 8.8.2 示例 286 第9章 LangChain的其他功能 292 9.1 回调 292 9.1.1 简介 292 9.1.2 自定义回调处理 296 9.1.3 将日志记录到文件中 297 9.1.4 Token使用量跟踪 299 9.1.5 LLMonitor 300 9.2 隐私与** 303 9.2.1 隐私 303 9.2.2 ** 307 9.3 Evaluation（评估） 309 9.3.1 简介 309 9.3.2 字符串评估器 311 9.3.3 比较评估器 316 9.3.4 轨迹评估器 320 9.4 LangSmith 323 9.4.1 简介 323 9.4.2 收集与追踪 324 9.4.3 评估 327 9.4.4 LangSmith Hub 334 9.5 LangServe 337 9.5.1 简介 337 9.5.2 构建 338 9.5.3 调用 341 9.5.4 LangChain Templates 342 9.6 LangChain v0.1 345 9.7 总结 346 第10章 案例开发与实战 347 10.1 基于Streamlit实现聊天机器人 347 10.1.1 简介 347 10.1.2 实现 348 10.1.3 部署 352 10.2 基于Chainlit实现PDF问答机器人 354 10.2.1 简介 354 10.2.2 实现 354 10.3 零代码AI应用构建平台：Flowise 359 10.3.1 简介 359 10.3.2 运行 359 10.3.3 使用 360