第 1章　攜手大模型與LangChain，邁向AI新紀元 1
1.1　大模型：不僅火熱，更是未來 2
1.2　大模型揭秘：從數字到現實 3
1.3　LangChain：你的大模型工具箱 5
1.4　LangChain探索：開發的第 一步 7
1.5　內容導覽：與LangChain共創未來 10
1.6　LangChain的整體框架 12
1.7　總結 14
第 2章　LangChain探索之旅：準備與初始配置 15
2.1　LangChain 安裝：步驟簡單 16
2.2　環境搭建：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：大模型的調用與應用 20
2.5　總結 23
第3章　駕馭大模型的輸入與輸出 24
3.1　model I/O概述：通往大模型應用的橋梁 25
3.2　提示模板探究：構筑靈活的提示體系 26
3.2.1　動態提示構造：提示模板在自動客服應用中的應用 27
3.2.2　從客服到技術：ChatMessagePromptTemplate在角色切換中的實踐 30
3.2.3　部分提示模板：引導用戶獲取精準服務 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效率 39
3.3.1　客服交互設計：LengthBasedExampleSelector實現三步響應法 40
3.3.2　用戶請求歸類：SemanticSimilarityExampleSelector實現相似度選擇 44
3.4　模型交互核心：模型應用實戰 48
3.4.1　模型框架探析：LangChain實踐展現 48
3.4.2　緩存優勢展現：實戰效能提升 50
3.4.3　虛擬環境構建：FakeListLLM演示 52
3.4.4　并發優勢探索：異步調用實現 55
3.5　輸出格式解析：輸出解析器優化系統交互 58
3.5.1　CRM數據整合：PydanticOutputParser實現輸出解析 58
3.5.2　解析自動修復：OutputFixingParser實現解析失敗的備選方案 61
3.6　總結 64
第4章　檢索技術 65
4.1　檢索器概要：執行路徑與組件功能 66
4.2　文檔加載器：連接數據源與文檔的工具 67
4.3　文檔轉換器：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　結構化數據抽取：用戶評論智能轉換 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 90
第5章　鏈組件 91
5.1　模塊設計：鏈組件概述 92
5.2　交互優化：提示模板與鏈協同工作 93
5.3　生成摘要：探索StuffDocumentsChain的應用 94
5.4　海量文檔搜索：探索MapReduceDocumentsChain的應用 98
5.5　過濾請求：實現問題分類與路由選擇 105
5.6　串聯服務鏈：使用SequentialChain實現連續處理流程 110
5.7　自動客服系統：架設自然語言到SQL語句的橋梁 114
5.7.1　數據庫設計：明確實體與關系 115
5.7.2　數據庫部署：SQLite的選擇與安裝 118
5.7.3　從自然語言到SQL語句：使用SQLDatabaseChain實現查詢功能 119
5.8　總結 122
第6章　高效AI聊天機器人：借助記憶組件優化交互體驗 123
6.1　增強對話連貫性：記憶組件的實現與應用 124
6.2　優化AI聊天體驗：借助記憶組件實現聊天記憶 126
6.3　長聊天交互：使用ConversationSummaryMemory提升聊天連續性 131
6.4　精準檢索歷史對話：使用VectorStoreRetrieverMemory實現信息檢索 135
6.5　多輸入鏈：兼顧歷史文檔與實時查詢 141
6.6　總結 148
第7章　代理與回調組件：實時交互與智能監控 149
7.1　代理組件：實現動態交互 150
7.2　天氣與物流協同：對話代理實現對話實時交互 156
7.3　在線文檔搜索：搜索與查找實現文檔實時交互 159
7.4　自問自答與搜索：實現電商銷售推薦 163
7.5　對接訂單與物流：StructuredTool自定義工具 165
7.6　實時監控與日志記錄：回調實現自定義處理器 169
7.7　總結 174
第8章　大模型項目實踐：從理論到應用的跨越 175
8.1　知識圖譜實踐：理論、方法與工具 176
8.1.1　知識圖譜構建：開發流程與關鍵步驟 176
8.1.2　三元組抽取：從文本到圖譜的轉化 177
8.1.3　LangChain處理三元組：語義的深度解析 179
8.2　企業知識庫構建：技術架構與操作流程 183
8.2.1　自動客服流程：從用戶請求到模型響應的完整流程 184
8.2.2　數據應用構建：Streamlit前端與Python后端的融合 185
8.2.3　自動客服執行：從PDF上傳到問題響應 186
8.3　用戶評論分析：從文本到情感識別 192
8.3.1　用戶評價分析：客戶反饋與信息抽取 192
8.3.2　從評論到數據洞察：LangChain驅動文本分析流程 194
8.3.3　追加情感分析：LangChain標記鏈實踐 197
8.3.4　情感數據可視化：雷達圖洞悉服務滿意度 202
8.4　大模型微調： GPT-3.5 Turbo安全微調與效能提升 204
8.4.1　微調GPT-3.5 Turbo：安全標準與成本透明性 205
8.4.2　提升效率與性能：GPT-3.5 Turbo的微調過程 206
8.4.3　數據集構建：打造幽默氣象助理 206
8.4.4　定制幽默感：GPT-3.5 Turbo 微調詳解 209
8.5　總結 213
第9章　LCEL技術深掘：構建高效的自動化處理鏈 214
9.1　LCEL概要 215
9.2　自定義鏈：Runnable接口的功能與實現 216
9.3　組件協作：輸入/輸出模式和數據傳遞機制 218
9.4　流暢的AI對話：結合Runnable、模板和解析器 221
9.5　自動化回答鏈：結合檢索、模板和大模型 226
9.6　序列化鏈：借助LCEL實現技術問題診斷與解決方案生成 228
9.7　并行鏈：借助LCEL實現多方案整合 231
9.8　總結 236