[4月15日当周] LangChain 发行说明

我们一直从用户那里听到，他们在确定应用程序逻辑的变化如何改变他们关心的定量（延迟、成本）和定性指标方面仍然一无所知。LangSmith 可以提供帮助！我们发布了一个新的视频系列，向您展示 LangSmith 实验如何为改进应用程序、发现回归以及在延迟、成本和质量之间进行权衡提供结构化工作流程。

标准化工具调用：您现在可以创建可以使用任何工具调用模型的代理。我们新的标准化工具调用接口允许您更轻松地在不同的 LLM 提供商之间切换，从而节省您的时间和精力。在我们的视频演练和博客中了解更多信息。
文档改进：我们重新组织和清理了内容，以便您更轻松地找到所需的信息和用例。我们听到了您的声音，还有很多工作要做，我们正在大力投入我们的 🐍 Python 文档以及即将推出的 TypeScript 文档。如果您有任何想法或想提供帮助，请回复此电子邮件！

🥳LangSmith 现已通过 SOC2 Type 1 认证：安全性和合规性对我们和我们不断增长的企业客户名单至关重要。我们正处于 SOC2 Type 2 的观察期，我们将在未来几个月内完成该认证后向您报告。
生产监控和自动化：将 AI 应用程序投入生产后，艰苦的工作才刚刚开始。在这个视频系列中，我们将向您展示如何监控应用程序并设置在线评估、数据集构建和警报的自动化。您的生产数据和用户反馈将成为帮助您改进应用程序的基础，我们将在博客中向您展示如何做到这一点。

我们的从零开始构建 RAG系列通过附带代码的简短视频分解了重要的 RAG 概念。我们最近发布了另外两个概念

使用 RAPTOR 进行索引：在这个关于 RAPTOR 的视频中了解更多关于分层索引的信息，RAPTOR 是一篇解决了在 RAG 系统中处理低级和高级用户问题的论文。
反馈 + 自我反思：RAG 系统可能会遇到低质量检索和幻觉问题。在这个视频中，我们介绍了使用 LangGraph 进行流程工程的概念，以协调检查和反馈，以获得更可靠的性能。

🔁 使用 DSPy 优化 LLM 系统 – 网络研讨会：依靠提示工程来改进复杂的 LLM 系统可能非常耗时。DSPy 使用自动评估帮助优化这些系统，我们开始将这些技术整合到 LangChain 的产品套件中。在我们首席执行官 Harrison Chase 和 DSPy 创建者 Omar Khattab 的这个网络研讨会回放中了解更多信息。
💻 使用 Cohere 的新 Command-R+ 实现自适应 RAG：自适应 RAG 是一篇最近的论文，它结合了查询分析和迭代答案构建来处理不同复杂程度的查询。观看此视频，了解我们如何使用 LangGraph 从头开始实现这些想法。LangGraph 代码。ReACT Agent 代码。
🎙️📹 使用 Gemini 进行音频和视频结构化提取：Gemini 1.5 Pro 现在支持音频和视频输入，为新的用例打开了大门。在这个视频中，我们将向您展示如何使用 LangChain JS/TS 对 YouTube 视频和音频剪辑执行结构化提取。文档。
🦜🧑‍🏫 如何使用 LangChain 使用 LLM 进行构建 – 初学者指南：在我们关于freeCodeCamp的新指南中了解使用 LLM 进行构建的最新基础知识。您将学习如何使用 LCEL、流式传输、LangSmith 追踪等。如果您刚刚开始，这是一个很好的资源！