今天我们很高兴地宣布 LangChain 模板的发布。LangChain 模板提供了一系列易于部署的参考架构，任何人都可以使用。我们与一些合作伙伴合作创建了一组易于使用的模板，以帮助开发人员更快地投入生产。我们将随着时间的推移继续添加内容。这是一种创建、共享、维护、下载和自定义 chains 和 agents 的新方法。它们都采用标准格式，允许使用 LangServe 轻松部署，让您可以轻松获得生产就绪的 API 和免费的 playground。
关键链接
快速开始：请访问此处获取有关如何开始使用 LangChain 模板的指南。
YouTube 演示：我们拍摄了一个关于如何使用 LangChain 模板的快速演示。
LangSmith：LangChain 模板与 LangSmith（我们的日志记录和调试工具）无缝集成。 在此注册。
托管 LangServe：我们将发布 LangServe 的托管版本，用于一键部署 LangChain 应用程序。 在此注册。
其他资源
特色模板：探索许多可用的模板 - 从高级 RAG 到 agents。
所有模板：探索所有可用的模板。
贡献：想贡献你自己的模板吗？这非常容易！这些说明将引导你完成操作步骤。
LangServe：了解有关部署 LangChain chains 和 agents 的最佳方式的更多信息。
LangServe 网络研讨会：我们将在本周四举办一个网络研讨会，以讨论有关 LangServe 和 LangChain 模板的更多信息。 在此注册。
动机
我们推出 LangChain 模板的动机是什么？这些模板可以是 chains 或 agents，代表了全功能的上下文感知推理应用。随着时间的推移，我们已经看到
- 开发人员想要创建许多不同类型的应用程序
- 开发人员想要更好地理解应用程序的内部结构
- 开发人员想要修改应用程序的内部结构
- 开发人员想要一种简单的方式来部署应用程序
开发人员想要创建许多不同类型的应用程序
我们最近看到添加到 LangChain 的 chains 和 agents 数量激增。有几种不同的类型
- 工具特定的 chains
- 语言模型特定的 chains
- 新架构
所有这些类型的 chains 被添加是自然的，并且说明了该领域的当前状态。
工具特定的 Chains
我们看到许多 chains/agents 旨在最好地与特定工具交互。这与我们对语言模型的了解一致：它们是非常棒的通才，因此我们当然希望将它们与不同的工具一起使用是有道理的。对于一个特定工具最有意义的 exact chain/agent 实际上可能与其他工具略有不同
语言模型特定的 Chains
我们看到并非所有语言模型都可互换用于所有任务。在最明显的层面上，它们可能需要不同的提示。但它们也可能需要不同的输出解析，甚至可能需要提供略有不同的上下文。
新架构
我们正在看到构建应用程序的最佳新架构的出现。我们将在未来的文章中讨论这一点。这意味着该领域仍处于非常早期的阶段，人们正在试图弄清楚如何最好地使用语言模型。
这导致了大量 chains 和 agents 被贡献给 LangChain。我们很久以前就意识到我们无法接受每一种可能的变体（否则 LangChain 将变得非常臃肿）。我们开始越来越多地转向示例集，但这些示例集的可发现性或可用性都不如理想。
开发人员想要理解应用程序的内部结构
虽然将整个 chain 包装在一个类中很方便，但这确实模糊了内部到底发生了什么。我们引入了 LangSmith 来帮助进行调试和可观察性，虽然这有所帮助，但这与能够轻松查看代码不同。
开发人员想要修改应用程序的内部结构
我们已经看到许多开发人员想要修改 chains 的内部结构。这可能包括更改一些编排、更改一些上下文加载、更改一些提示。这与第一点非常相关。
因此，我们已经看到很多人 fork LangChain 并从内部修改代码。他们中的一些人针对提示/输出解析器进行了较小的更改，并打开了 PR。但这给我们带来了一个有趣的挑战：评估语言模型应用程序非常困难，因此即使这些提示/输出解析器更改可能对某人的应用程序有帮助，我们也hesitate to merge these in for fear that it may affect some other unsuspecting user.
开发人员想要一种简单的方式来部署 chains
这里有两个驱动因素。
一个驱动因素：我们看到成功团队所做的事情之一是快速部署应用程序，以收集用户交互数据。此用户交互数据对于许多目的都很有用。
- 首先：人们甚至在与之互动吗？如果没有，那么这可能意味着这个特定的产品/功能没有产品市场契合度，你需要调查一下。
- 其次：人们是如何使用的？如果他们以意想不到的方式使用它，那可能会改变一些开发重点。
- 第三：chain 在哪里表现不佳？通常很难知道如何在不看到 chain 在哪里表现良好的具体数据点的情况下准确改进 chain。
因此，我们越快让团队部署他们的应用程序，他们就可以越快地迭代。
第二个驱动因素：许多组织通常没有在其基础设施中部署 Python 应用程序，并且正在寻找一种经过实战检验的方法来做到这一点。
什么是 LangChain 模板
为了响应上述情况，我们开始开发 LangChain 模板。LangChain 模板提供了一系列易于部署的参考架构，任何人都可以使用。我们创建了一系列端到端模板，用于创建不同类型的应用程序。这些模板采用标准格式，使其易于使用 LangServe 部署。我们还公开了一种创建新项目和加载模板的简便方法。
你如何使用这些模块？你可以首先创建一个项目，其中包含 chains 的文件夹。然后，你可以轻松地将模块下载到该应用程序项目中。你可以轻松地检查和修改 chain（因为它是被下载的，而不是通过 pip 安装的）。然后，你可以使用 langserve 部署整个项目。
LangChain 模板包含什么
我们对 LangChain 模板最兴奋的事情之一是，它使我们能够更轻松地添加各种 chains 和 agents。我们特别兴奋的一些是
OSS 模型
我们听到了很多关于 LangChain 似乎以 OpenAI 为中心的说法。这不是我们的本意，但大多数 chains 的默认提示确实旨在与 OpenAI 配合使用。借助 LangChain 模板，我们非常高兴能够添加最适合其他模型（尤其是开源模型）的模板。我们已经为 RAG 和 SQL 问答 添加了一些，我们很高兴添加更多。
高级 RAG
高级 RAG 有很多不同的方法和算法，我们很高兴能够更恰当地突出显示它们。我们为上周在关于 查询转换 的博客文章中强调的所有论文添加了模板。我们还与合作伙伴合作，采用我们开发的一些启发式方法（例如 父文档检索器），并使它们与他们的数据库一起工作 - 请参阅 Neo4J 父文档检索器 模板。
用例特定的 Chains
我们希望这能为突出显示越来越多的用例特定 chains 开辟道路。例如，我们与 Sphinx Bio 合作添加了一个 模板，旨在识别杂乱的 Excel 文件中板数据的坐标。像这样的东西太具体了，无法包含在核心 LangChain 包中，但在这里非常合适。
LangChain 模板如何解决早期的问题？
上面我们列出了一些我们观察到的不同问题。我们认为 LangChain 模板在解决这些问题方面取得了长足的进步。
开发人员想要创建许多不同类型的应用程序
通过以这种格式为 chains 和 agents 添加模板，我们不再将它们放在 LangChain 中，这应该可以防止臃肿。这比示例集也更有条理，更易于使用。
开发人员想要更好地理解应用程序的内部结构
通过下载 chains（而不是通过 pip 安装），chains 和 agents 的源代码就在你的应用程序中。这使得检查它变得容易。
开发人员想要修改应用程序的内部结构
同样，通过下载 chains（而不是通过 pip 安装），chains 和 agents 的源代码就在你的应用程序中。这使得修改它变得容易。
开发人员想要一种简单的方式来部署应用程序
所有模板都采用标准格式，这使得使用 LangServe 部署它们变得容易。
结论
LangChain 的目标是使开发人员尽可能轻松地构建上下文感知推理应用程序。我们相信这是朝着这个方向迈出的重要一步。我们非常感谢帮助提供初始模板的合作伙伴，并且我们期待与社区合作添加更多模板！
衷心感谢
- 所有贡献了模板的生态系统合作伙伴
- Jason Liu 提出了这种添加模板的方法
- Rajtilak Bhattacharjee 帮助我们确定了
langchain-cli包名 - 所有帮助测试的社区成员：Greg Kamradt, Ryan Brandt, Misbah Syed, Hai, Lucas Hänke de Cansino, Hamel Husain