在人工智能快速发展的今天，很多开发者都希望能够学习到有关人工智能的相关知识。2018 年，OpenAI 推出了名为 GPT 的系列模型。该模型实现了将“人工智障”真正变换为“人工智能”。这也就是目前最火的 LLM，即大语言模型 Large Language Model。
大语言模型最大的特点就是“大”，它从海量数据中进行学习，可以生成流畅的自然语言，能够理解自然语言的含义。与之相关的，是运行一个大语言模型所需的庞大计算资源。不要说普通开发者，即便是很多中小型公司，也很难运行起来一个可供生产环境使用的模型。幸运的是，很多厂商提供了相关的开发平台，让我们可以利用各大公司提供的人工智能 API，基于已有的接口，实现自己的应用，这样就不需要去训练自己的模型。
但是，这也带来了一个问题：在开发 LLM 应用时，不可避免地会接触到很多 API 接口、各种数据格式以及相关工具。对于非 AI 领域的开发者，逐一研究这些概念，会成为一个巨大的负担。各大厂商提供的 API 接口并不一致，没有一个标准。并且，LLM 也不是万能的。比如，LLM 是无状态的，它只能针对当前对话进行回答。这就导致，如果存在多轮对话，我们必须手动管理这些对话的上下文，以便 LLM “记住”之前的知识。另外更重要的是，受限于 LLM 的原理，LLM 是基于大量数据学习的，这也就意味着，它的知识来源于它的数据集，而它的数据集基本来自于互联网，那么，它的知识就是过时的，固定的。例如，LLM 不能告诉你，今天电影院在放什么电影，我公司的请假流程是怎样的。前者意味着实时知识，后者则是本地的个人数据。很多技术为了解决这些问题应运而生，但这些技术都是分散的，没有统一的结构。
为了解决这些问题，LangChain 出现了。它为开发者提供了一系列的工具和组件，让 LLM 可以与各种数据，包括 Web 页面、PDF、CSV 等连接，让 LLM 可以方便地记住上下文信息，让 LLM 应用的优化变得简单。
这个系列将介绍如何利用 LangChain 开发 LLM 应用。本系列并不会涉及如何训练自己的模型，而是基于厂商公开的接口，搭建自己的 LLM 应用。微调模型固然重要，但更重要的是，让我们先看到 LLM 能为我们做什么，让我们的应用能够进入 AI 的领域。当我们基于已有模型实现了应用之后，才能看到模型的哪些方面不符合我们的要求，哪些是值得改进的，才能够针对模型本身做进一步的处理。很多时候，基于已有模型已经足够了。
对 LangChain，我也是初学者，不可避免地会有很多谬误，这里记录下自己的学习过程，希望与更多朋友共同进步。
