目　錄 第 1章　攜手大模型與LangChain，邁向AI新紀(jì)元 1 1.1　大模型：不僅火熱，更是未來 2 1.2　大模型揭秘：從數(shù)字到現(xiàn)實(shí) 3 1.3　LangChain：你的大模型工具箱 5 1.4　LangChain探索：開發(fā)的第 一步 7 1.5　內(nèi)容導(dǎo)覽：與LangChain共創(chuàng)未來 10 1.6　LangChain的整體框架 12 1.7　總結(jié) 14 第 2章　LangChain探索之旅：準(zhǔn)備與初始配置 15 2.1　LangChain 安裝：步驟簡單 16 2.2　環(huán)境搭建：Python的簡潔與Jupyter NoteBook的力量 17 2.3　密鑰之力：打開大模型的通道 18 2.4　啟動序章：大模型的調(diào)用與應(yīng)用 20 2.5　總結(jié) 23 第3章　駕馭大模型的輸入與輸出 24 3.1　model I/O概述：通往大模型應(yīng)用的橋梁 25 3.2　提示模板探究：構(gòu)筑靈活的提示體系 26 3.2.1　動態(tài)提示構(gòu)造：提示模板在自動客服應(yīng)用中的應(yīng)用 27 3.2.2　從客服到技術(shù)：ChatMessagePromptTemplate在角色切換中的實(shí)踐 30 3.2.3　部分提示模板：引導(dǎo)用戶獲取精準(zhǔn)服務(wù) 32 3.2.4　自動客服模板組合：PipelinePromptTemplate集成多模板 37 3.3　示例選擇探究：借用示例選擇器提升響應(yīng)效率 39 3.3.1　客服交互設(shè)計(jì)：LengthBasedExampleSelector實(shí)現(xiàn)三步響應(yīng)法 40 3.3.2　用戶請求歸類：SemanticSimilarityExampleSelector實(shí)現(xiàn)相似度選擇 44 3.4　模型交互核心：模型應(yīng)用實(shí)戰(zhàn) 48 3.4.1　模型框架探析：LangChain實(shí)踐展現(xiàn) 48 3.4.2　緩存優(yōu)勢展現(xiàn)：實(shí)戰(zhàn)效能提升 50 3.4.3　虛擬環(huán)境構(gòu)建：FakeListLLM演示 52 3.4.4　并發(fā)優(yōu)勢探索：異步調(diào)用實(shí)現(xiàn) 55 3.5　輸出格式解析：輸出解析器優(yōu)化系統(tǒng)交互 58 3.5.1　CRM數(shù)據(jù)整合：PydanticOutputParser實(shí)現(xiàn)輸出解析 58 3.5.2　解析自動修復(fù)：OutputFixingParser實(shí)現(xiàn)解析失敗的備選方案 61 3.6　總結(jié) 64 第4章　檢索技術(shù) 65 4.1　檢索器概要：執(zhí)行路徑與組件功能 66 4.2　文檔加載器：連接數(shù)據(jù)源與文檔的工具 67 4.3　文檔轉(zhuǎn)換器：文本分割與格式化 71 4.3.1　分塊與重疊：遞歸文本分割策略 72 4.3.2　結(jié)構(gòu)化數(shù)據(jù)抽取：用戶評論智能轉(zhuǎn)換 75 4.4　文本嵌入向量：深入詞向量原理 78 4.5　向量存儲：從嵌入到查詢 81 4.6　檢索器：多維查詢與上下文壓縮 84 4.7　總結(jié) 90 第5章　鏈組件 91 5.1　模塊設(shè)計(jì)：鏈組件概述 92 5.2　交互優(yōu)化：提示模板與鏈協(xié)同工作 93 5.3　生成摘要：探索StuffDocumentsChain的應(yīng)用 94 5.4　海量文檔搜索：探索MapReduceDocumentsChain的應(yīng)用 98 5.5　過濾請求：實(shí)現(xiàn)問題分類與路由選擇 105 5.6　串聯(lián)服務(wù)鏈：使用SequentialChain實(shí)現(xiàn)連續(xù)處理流程 110 5.7　自動客服系統(tǒng)：架設(shè)自然語言到SQL語句的橋梁 114 5.7.1　數(shù)據(jù)庫設(shè)計(jì)：明確實(shí)體與關(guān)系 115 5.7.2　數(shù)據(jù)庫部署：SQLite的選擇與安裝 118 5.7.3　從自然語言到SQL語句：使用SQLDatabaseChain實(shí)現(xiàn)查詢功能 119 5.8　總結(jié) 122 第6章　高效AI聊天機(jī)器人：借助記憶組件優(yōu)化交互體驗(yàn) 123 6.1　增強(qiáng)對話連貫性：記憶組件的實(shí)現(xiàn)與應(yīng)用 124 6.2　優(yōu)化AI聊天體驗(yàn)：借助記憶組件實(shí)現(xiàn)聊天記憶 126 6.3　長聊天交互：使用ConversationSummaryMemory提升聊天連續(xù)性 131 6.4　精準(zhǔn)檢索歷史對話：使用VectorStoreRetrieverMemory實(shí)現(xiàn)信息檢索 135 6.5　多輸入鏈：兼顧歷史文檔與實(shí)時查詢 141 6.6　總結(jié) 148 第7章　代理與回調(diào)組件：實(shí)時交互與智能監(jiān)控 149 7.1　代理組件：實(shí)現(xiàn)動態(tài)交互 150 7.2　天氣與物流協(xié)同：對話代理實(shí)現(xiàn)對話實(shí)時交互 156 7.3　在線文檔搜索：搜索與查找實(shí)現(xiàn)文檔實(shí)時交互 159 7.4　自問自答與搜索：實(shí)現(xiàn)電商銷售推薦 163 7.5　對接訂單與物流：StructuredTool自定義工具 165 7.6　實(shí)時監(jiān)控與日志記錄：回調(diào)實(shí)現(xiàn)自定義處理器 169 7.7　總結(jié) 174 第8章　大模型項(xiàng)目實(shí)踐：從理論到應(yīng)用的跨越 175 8.1　知識圖譜實(shí)踐：理論、方法與工具 176 8.1.1　知識圖譜構(gòu)建：開發(fā)流程與關(guān)鍵步驟 176 8.1.2　三元組抽�。簭奈谋镜綀D譜的轉(zhuǎn)化 177 8.1.3　LangChain處理三元組：語義的深度解析 179 8.2　企業(yè)知識庫構(gòu)建：技術(shù)架構(gòu)與操作流程 183 8.2.1　自動客服流程：從用戶請求到模型響應(yīng)的完整流程 184 8.2.2　數(shù)據(jù)應(yīng)用構(gòu)建：Streamlit前端與Python后端的融合 185 8.2.3　自動客服執(zhí)行：從PDF上傳到問題響應(yīng) 186 8.3　用戶評論分析：從文本到情感識別 192 8.3.1　用戶評價(jià)分析：客戶反饋與信息抽取 192 8.3.2　從評論到數(shù)據(jù)洞察：LangChain驅(qū)動文本分析流程 194 8.3.3　追加情感分析：LangChain標(biāo)記鏈實(shí)踐 197 8.3.4　情感數(shù)據(jù)可視化：雷達(dá)圖洞悉服務(wù)滿意度 202 8.4　大模型微調(diào)： GPT-3.5 Turbo安全微調(diào)與效能提升 204 8.4.1　微調(diào)GPT-3.5 Turbo：安全標(biāo)準(zhǔn)與成本透明性 205 8.4.2　提升效率與性能：GPT-3.5 Turbo的微調(diào)過程 206 8.4.3　數(shù)據(jù)集構(gòu)建：打造幽默氣象助理 206 8.4.4　定制幽默感：GPT-3.5 Turbo 微調(diào)詳解 209 8.5　總結(jié) 213 第9章　LCEL技術(shù)深掘：構(gòu)建高效的自動化處理鏈 214 9.1　LCEL概要 215 9.2　自定義鏈：Runnable接口的功能與實(shí)現(xiàn) 216 9.3　組件協(xié)作：輸入/輸出模式和數(shù)據(jù)傳遞機(jī)制 218 9.4　流暢的AI對話：結(jié)合Runnable、模板和解析器 221 9.5　自動化回答鏈：結(jié)合檢索、模板和大模型 226 9.6　序列化鏈：借助LCEL實(shí)現(xiàn)技術(shù)問題診斷與解決方案生成 228 9.7　并行鏈：借助LCEL實(shí)現(xiàn)多方案整合 231 9.8　總結(jié) 236