LangChain fonctionne en "chaînant" différents composants pour créer un workflow cohérent pour les applications basées sur des LLM. Cette approche modulaire décompose les systèmes d'IA complexes basés sur le langage en parties réutilisables. Lorsqu'un utilisateur envoie une requête, LangChain peut traiter cette entrée en plusieurs étapes.

Par exemple, un workflow typique peut impliquer les étapes suivantes :

1. Réception de la requête de l'utilisateur.
2. Traitement de la requête, avec éventuellement une transformation ou une utilisation pour rechercher des informations pertinentes dans des sources de données externes.
3. Récupération des données nécessaires, ce qui peut impliquer de se connecter à des bases de données, des API ou d'autres dépôts. LangChain propose différents chargeurs de documents pour intégrer des données provenant de nombreuses sources.
4. Transmission des informations récupérées, ainsi que la requête d'origine, à un LLM.
5. Le LLM génère une réponse basée sur le contexte fourni et l'entrée de l'utilisateur.
6. La réponse générée est ensuite renvoyée à l'utilisateur.

Cette approche enchaînée permet aux développeurs de définir une séquence d'actions que leur application effectuera pour traiter la requête d'un utilisateur et créer une réponse. En simplifiant ces étapes en composants, LangChain facilite la création d'applications qui nécessitent plusieurs interactions avec un LLM ou des ressources externes. Le framework offre également des moyens de travailler avec différents LLM, ce qui permet aux développeurs de choisir le modèle le plus adapté à leur application spécifique.

Découvrez comment utiliser LangChain avec Vertex AI.

LangChain fournit un ensemble de fonctionnalités conçues pour faciliter le développement d'applications basées sur des LLM. Ces fonctionnalités sont organisées autour de concepts de base qui aident à gérer les interactions avec les modèles, à se connecter aux données et à orchestrer des comportements complexes.

• Intégration de données polyvalente : s'intègre parfaitement à différentes sources de données, telles que des bases de données structurées et du texte non structuré, pour une compréhension et une analyse approfondies du langage.
• Récupération et mise en cache efficaces des données : récupère et met en cache les données de manière efficace, ce qui permet d'accéder plus rapidement aux données linguistiques et de réduire la latence pendant l'inférence du modèle.

• Compatibilité avec plusieurs chaînes : permet d'exécuter simultanément plusieurs modèles de langage dans une même chaîne d'exécution, ce qui améliore la collaboration et la coordination.
• Topologie de chaînage flexible : aide les utilisateurs à configurer et à optimiser l'agencement des modèles de langage dans les chaînes pour une exécution efficace et une allocation optimale des ressources.

• Communication et interaction entre plusieurs agents : LangChain permet de créer et de déployer plusieurs agents de compréhension du langage, ce qui facilite la collaboration et la coordination complexes entre les modèles.
• Coordination centralisée des agents : centralise la coordination et la supervision des agents de compréhension du langage, ce qui permet de distribuer les tâches et de gérer les ressources de manière efficace dans les systèmes à plusieurs agents.

• Mémoire externe extensible : intègre des modules de mémoire externes personnalisés, ce qui permet aux utilisateurs d'étendre et de personnaliser la gestion de la mémoire pour répondre à des exigences spécifiques.
• Allocation adaptative du contexte : LangChain utilise des algorithmes adaptatifs pour l'allocation de mémoire, ce qui optimise l'utilisation des ressources pour un stockage et une récupération efficaces du contexte.