多Agent智慧體：LangChain大型ReAct系統開發

前言
2024 年，人工智慧走向大眾化的序幕已經拉開。無論是聲勢浩大的大型語言模型，還是AI 繪圖領域的佼佼者，如Stable Diffusion 與Midjourney，皆已成為潮流之巔的焦點。其中，大型語言模型尤為矚目，其作為一顆閃耀著智慧之光的「大腦」，已廣泛融入人們生活的各個場景。在這一背景下，LangChain應運而生，這一建立在大型語言模型之上的框架，讓快速開發AI 應用成為可能，其影響力也正逐步擴大。LangChain 不僅為開發人員提供了大量的現成工具，同時受益於其廣泛的使用者群眾，很多尖端、具有實驗性質的工具也相繼被納入其中。這使得開發人員不僅能夠運用那些已極為成熟的資源去建構應用，同時能夠借助那些整合的工具，迅速洞悉並嘗試大型語言模型的最新技術。
目前，LangChain 已成為進行大型語言模型應用程式開發必須掌握的框架之一。隨著時間的演進，LangChain 已不再僅是一個大型語言模型開發框架，而是演化為一個包含開發、偵錯、部署乃至應用商店的整合式完整生態圈。
與此同時，LangChain 社區的快速壯大，正是其日益蓬勃發展的最佳見證。正值大型語言模型開發以潮湧之勢席捲而來之際，越來越多的開發人員對於怎樣利用LangChain 迅速建構AI 應用產生了濃厚的興趣。
在這樣的背景下，本書應運而生。本書不只為求知者呈上LangChain 的詳盡開發指南，更是以其中的諸多知識為軸心，向外擴散，深度闡述其背後的原理之美，甚至於途中不吝對基礎知識進行淺釋，讓讀者在領會「其然」的同時，也能參透「其所以然」。

本書結構
本書以五大核心要旨，即模型的輸入與輸出（Model I/O）、檢索增強生成（RAG）技術、代理（Agent）技術、其他知識及完整案例實踐為主線，精心編排為10 章，詳細說明闡釋：
第1 章介紹了當前大型語言模型的發展，並且從是什麼、為什麼使用、為何使用、應用場景四個維度對LangChain 進行了全面解讀。
第2 章細述了進行LangChain 開發前的各項準備工作，包括安裝LangChain函式庫、獲取OpenAI API Key、架設開發環境等，旨在幫助開發者掃清這部分的障礙。
第3 章對Model I/O 的Model（ 模型） 部分進行了講解。不僅講解了LangChain Model 的使用，還對最常用的OpenAI 相關的API 及參數進行了深入講解。
第4 章主要講解了Model I/O 的I/O 部分。在輸入部分，不僅講解了LangChain 的提示詞範本， 還對提示詞工程進行了講解， 讓讀者可以借助LangChain 寫出更優秀的提示詞。在輸出部分，對大量的輸出解析器進行了講解及應用。
第5 ∼ 7 章：這部分重點闡釋了檢索增強生成（RAG）技術的原理與應用，內容涵蓋了載入器、轉換器、向量儲存、檢索器、鏈及記憶等關鍵元件的用法和高階操作技巧。
第8 章主要對代理（Agent）技術的原理和應用進行了深入講解，也對LangGraph 多智慧體框架進行了介紹。
第9 章對LangChain 其他元件及週邊生態進行了講解，如回呼、安全與隱私、評估、追蹤偵錯平臺LangSmith、部署框架LangServe、應用範本商店LangChain Templates 等。
第10 章旨在指導讀者從零開始逐步建構並部署應用，完成兩個完整的人工智慧應用程式開發項目，以及學習LangChian 的零程式AI 應用建構平臺Flowise。讀者不僅可以透過此過程鞏固學習成果，而且可以將所學知識用於打造專屬的應用。

本書面向的讀者
本書深入淺出地講解了豐富的前置知識和基本理論，因為LangChain 在本質上是一個便於AI 應用程式開發的框架，所以本書以應用程式開發實踐為主，未涉及大型語言模型的底層原理和相關晦澀的數學公式。
本書適合剛入門或想加入AI 行業的技術從業者、需要結合大型語言模型相關技術為業務賦能的產品經理、電腦相關專業的學生，以及AI 同好和自學者。

本書特色
（1） 內容全面更新， 融入了新版本特性和新動態。本書深入探討了LangChain 的全新運算式語言、LangGraph、LangSmith、LangServe 及LangChain Templates，並精研了一系列全新的API，例如Assistant Agent Type。
（2）系統講解，細節豐富。本書將相關的前置知識嵌入相應的章節中，確保讀者能夠按部就班地掌握從理論到實踐的知識。
（3）本書的結構設計讓內容自然銜接，避免了在章節之間跳來跳去的閱讀方式，不需要在搜尋引擎中尋找相關概念。我們追求的不只是對官方文件的講解，更是對整個LangChain 運行邏輯的深入講解，以及對LangChain 先進思想的學習。
（4）涵蓋LangChain 的深度內容。除了基礎知識，本書還深入介紹了LangChain 的隱私與安全、評估等高級主題，這些內容在市面上的其他資料中幾乎未被觸及。
（5）提供了豐富的實例程式和結果截圖。本書中的所有程式都經過嚴格測試，盡可能確保正常運行，這一點與LangChain 文件中僅提供部分程式的做法形成鮮明對比，大大減少了讀者在實踐本書中的程式時的偵錯工作。
（6）書中每個章節的程式均在GitHub 中提供，讀者可以很方便地獨立運行對應的程式部分來學習。
第1 章的部分內容參考了《LangChain 系列-01 是什麼》和《大型語言模型的演進》兩篇文章。第5 章的部分內容參考了How do domain-specific chatbots work? An Overview of Retrieval Augmented Generation(RAG) 一文。感謝這些資料為筆者撰寫本書提供的想法和啟發。

前言
2024 年，人工智慧走向大眾化的序幕已經拉開。無論是聲勢浩大的大型語言模型，還是AI 繪圖領域的佼佼者，如Stable Diffusion 與Midjourney，皆已成為潮流之巔的焦點。其中，大型語言模型尤為矚目，其作為一顆閃耀著智慧之光的「大腦」，已廣泛融入人們生活的各個場景。在這一背景下，LangChain應運而生，這一建立在大型語言模型之上的框架，讓快速開發AI 應用成為可能，其影響力也正逐步擴大。LangChain 不僅為開發人員提供了大量的現成工具，同時受益於其廣泛的使用者群眾，很多尖端、具有實驗性質的工具也相繼被納入其中。這使得開...

第1 章 大型語言模型及LangChain 介紹
▌1.1 大型語言模型介紹
1.1.1　大型語言模型總覽
1.1.2　大型語言模型的發展歷史
1.1.3　大型語言模型的優勢
1.1.4　大型語言模型的發展趨勢
1.1.5　總結
▌1.2 LangChain 介紹
1.2.1　LangChain 是什麼
1.2.2　為什麼使用LangChain
1.2.3　LangChain 的應用場景
1.2.4　如何使用LangChain

第2 章 LangChain 開發前的準備
▌2.1 建立OpenAI API Key
▌2.2 使用雲端Colab 進行互動式程式設計
2.2.1　什麼是Colab
2.2.2　如何使用Colab
▌2.3 使用本地Anaconda + JupyterLab 進行互動式程式設計
2.3.1　什麼是Anaconda
2.3.2　安裝與使用Anaconda
2.4 安裝LangChain 函式庫

第3 章 Model（模型）
▌3.1 Model 簡介
▌3.2 LLM 類模型
3.2.1　簡介
3.2.2　程式講解
▌3.3 Chat 類模型
3.3.1　簡介
3.3.2　程式講解
▌3.4 OpenAI 與ChatOpenAI 的區別
▌3.5 OpenAI API
3.5.1　什麼是Token
3.5.2　文字補全API：Completion
3.5.3　對話補全API：Chat Completion
3.5.4　常用參數講解
3.5.5　函式呼叫
▌3.6 自訂LangChain 模型類別
3.6.1　自訂大型語言模型
3.6.2　自訂聊天模型
▌3.7 快取
3.7.1　標準快取
3.7.2　串流式輸出
3.7.3　語義化快取
3.7.4　GPTCache
▌3.8 其他
3.8.1　非同步呼叫大型語言模型
3.8.2　模型配置序列化
3.8.3　使用Hugging Face

第4 章 大型語言模型及Prompt（提示）
▌4.1 Prompt 專案
4.1.1　組成Prompt 的要素
4.1.2　Prompt 的書寫技巧
4.1.3　Prompt 的生命週期
▌4.2 提示詞範本
4.2.1　PromptTemplate
4.2.2　PartialPromptTemplate
4.2.3　PipelinePromptTemplate
4.2.4　FewShotPromptTemplate
4.2.5　自訂提示詞範本
4.2.6　提示詞範本的序列化和反序列化
4.2.7　ChatPromptTemplate
4.2.8　MessagesPlaceholder
4.2.9　FewShotChatMessagePromptTemplate
▌4.3 範例選擇器
4.3.1　LengthBasedExampleSelector
4.3.2　SemanticSimilarityExampleSelector
4.3.3　MaxMarginalRelevanceExampleSelector
4.3.4　NGramOverlapExampleSelector
4.3.5　自訂範例選擇器
▌4.4 輸出解析器
4.4.1　CommaSeparatedListOutputParser
4.4.2　DatetimeOutputParser
4.4.3　EnumOutputParser
4.4.4　XMLOutputParser
4.4.5　StructuredOutputParser
4.4.6　PydanticOutputParser
4.4.7　OutputFixingParser
4.4.8　RetryWithErrorOutputParser
4.4.9　自訂輸出解析器

第5 章 Data Connection（資料連接）
▌5.1 檢索增強生成
5.1.1　什麼是檢索增強生成
5.1.2　檢索增強生成的工作流程
5.1.3　什麼是Embedding（嵌入）
5.1.4　重要的文字前置處理
▌5.2 Document Loader（文件載入器）
5.2.1　CSV 載入器
5.2.2　檔案目錄載入器
5.2.3　HTML 載入器
5.2.4　JSON 載入器
5.2.5　Markdown 載入器
5.2.6　URL 載入器
5.2.7　PDF 載入器
5.2.8　自訂載入器
▌5.3 Document Transformer（文件轉換器）
5.3.1　文字分割
5.3.2　文字中繼資料提取
5.3.3　文字翻譯
5.3.4　生成文字問答
▌5.4 Embedding 與Vector Store（嵌入與向量資料庫）
5.4.1　Embedding
5.4.2　本地向量儲存
5.4.3　雲端向量儲存
▌5.5 Retriever（檢索器）
5.5.1　基礎檢索器
5.5.2　多重提問檢索器
5.5.3　上下文壓縮檢索器
5.5.4　整合檢索器
5.5.5　父文件檢索器
5.5.6　多向量檢索器
5.5.7　自查詢檢索器
5.5.8　檢索內容重排

第6 章 Chain（鏈）
▌6.1 Chain 簡介
▌6.2 LLM Chain（LLM 鏈）
▌6.3 Sequential Chain（順序鏈）
6.3.1　SimpleSequentialChain
6.3.2　SequentialChain
▌6.4 Router Chain（路由鏈）
▌6.5 Transform Chain（轉換鏈）
▌6.6 Summarize Chain（總結鏈）
▌6.7 API Chain 與LLMRequestsChain
6.7.1　API Chain
6.7.2　LLMRequestsChain
▌6.8 SQL Chain（資料庫鏈）
6.8.1　SQLDatabaseChain
6.8.2　SQL Agent
▌6.9 QA Chain（問答鏈）
6.9.1　ConversationChain
6.9.2　RetrievalQA
6.9.3　ConversationalRetrievalChain
▌6.10 LangChain Expression Language（LCEL）
6.10.1　管道操作符號
6.10.2　在鏈中設置參數
6.10.3　配置
6.10.4　設置備用方案
6.10.5　獲取輸入並執行自訂函式
6.10.6　路由鏈

第7 章 Memory（記憶）
▌7.1 Memory 簡介
▌7.2 將歷史對話直接儲存成Memory
7.2.1　ConversationBufferMemory
7.2.2　ConversationBufferWindowMemory
7.2.3　ConversationTokenBufferMemory
▌7.3 將歷史對話總結後儲存成Memory
7.3.1　ConversationSummaryMemory
7.3.2　ConversationSummaryBufferMemory
▌7.4 透過向量資料庫將歷史資料儲存成Memory
▌7.5 多Memory 組合
▌7.6 實體記憶及實體關係記憶
7.6.1　透過記錄實體進行記憶
7.6.2　透過知識圖譜進行記憶
▌7.7 在使用LCEL 的鏈中增加記憶體元件
▌7.8 自訂Memory 元件

第8 章 Agent（代理）
▌8.1 簡介
▌8.2 ReAct 和Plan and Execute（計畫與執行）
8.2.1　ReAct
8.2.2　Plan and Execute（計畫與執行）
▌8.3 Agent 初探
▌8.4 Agent 類型
8.4.1　Chat ReAct
8.4.2　ReAct Document Store
8.4.3　Conversational
8.4.4　OpenAI Function
8.4.5　Self-Ask With Search
8.4.6　Structured Tool Chat
8.4.7　OpenAI Assistant
▌8.5 自訂Tool
8.5.1　使用Tool 物件
8.5.2　繼承BaseTool
8.5.3　使用Tool 裝飾器
8.5.4　Structured Tool
8.5.5　異常處理
▌8.6 人工驗證及輸入
8.6.1　預設人工驗證
8.6.2　自訂使用者審核
8.6.3　人工輸入
▌8.7 Agent 實際應用
8.7.1　結合向量儲存使用Agent
8.7.2　Fake Agent（虛構代理）
8.7.3　自訂Agent
8.7.4　自訂LLM Agent
8.7.5　自訂MRKL Agent
8.7.6　自訂具有工具檢索功能的Agent
8.7.7　Auto-GPT Agent
▌8.8 LangGraph
8.8.1　簡介
8.8.2　範例

第9 章 LangChain 的其他功能
▌9.1 回呼
9.1.1　簡介
9.1.2　自訂回呼處理
9.1.3　將日誌記錄到檔案中
9.1.4　Token 使用量追蹤
9.1.5　LLMonitor
▌9.2 隱私與安全
9.2.1　隱私
9.2.2　安全
▌9.3 Evaluation（評估）
9.3.1　簡介
9.3.2　字串評估器
9.3.3　比較評估器
9.3.4　軌跡評估器
▌9.4 LangSmith
9.4.1　簡介
9.4.2　收集與追蹤
9.4.3　評估
9.4.4　LangSmith Hub
▌9.5 LangServe
9.5.1　簡介
9.5.2　建構
9.5.3　呼叫
9.5.4　LangChain Templates
▌9.6 LangChain v0.1
▌9.7 總結

第10 章 案例開發與實戰
▌10.1 基於Streamlit 實現聊天機器人
10.1.1　簡介
10.1.2　實現
10.1.3　部署
▌10.2 基於Chainlit 實現PDF 問答機器人
10.2.1　簡介
10.2.2　實現
▌10.3 零程式AI 應用建構平臺：Flowise
10.3.1　簡介
10.3.2　執行
10.3.3　使用

第1 章 大型語言模型及LangChain 介紹
▌1.1 大型語言模型介紹
1.1.1　大型語言模型總覽
1.1.2　大型語言模型的發展歷史
1.1.3　大型語言模型的優勢
1.1.4　大型語言模型的發展趨勢
1.1.5　總結
▌1.2 LangChain 介紹
1.2.1　LangChain 是什麼
1.2.2　為什麼使用LangChain
1.2.3　LangChain 的應用場景
1.2.4　如何使用LangChain

第2 章 LangChain 開發前的準備
▌2.1 建立OpenAI API Key
▌2.2 使用雲端Colab 進行互動式程式設計
2.2.1　什麼是Colab
2.2.2　如何使用Colab
▌2.3 使用本地Anaconda + JupyterLab 進行互...