LangChain bekerja dengan "merangkai" berbagai komponen untuk menciptakan alur kerja yang kohesif untuk aplikasi yang didukung LLM. Pendekatan modular ini menguraikan sistem AI berbasis bahasa yang kompleks menjadi bagian-bagian yang dapat digunakan kembali. Saat pengguna mengirimkan kueri, LangChain dapat memproses input ini melalui serangkaian langkah.

Misalnya, alur kerja umum mungkin melibatkan:

1. Menerima kueri pengguna.
2. Memproses kueri, yang berpotensi mengubahnya atau menggunakannya untuk mencari informasi yang relevan dari sumber data eksternal.
3. Mengambil data yang diperlukan, yang dapat melibatkan koneksi ke database, API, atau repositori lainnya. LangChain menawarkan berbagai loader dokumen untuk mengintegrasikan data dari berbagai sumber.
4. Meneruskan informasi yang diambil, beserta kueri asli, ke LLM.
5. LLM menghasilkan respons berdasarkan konteks yang disediakan dan input pengguna.
6. Respons yang dihasilkan kemudian dikembalikan kepada pengguna.

Pendekatan rantai ini memungkinkan developer menentukan urutan tindakan yang akan dilakukan aplikasi mereka untuk menangani permintaan pengguna dan membuat respons. Dengan menyederhanakan langkah-langkah ini menjadi komponen, LangChain memudahkan pembuatan aplikasi yang memerlukan banyak interaksi dengan LLM atau resource eksternal. Framework ini juga menawarkan cara untuk bekerja dengan LLM yang berbeda, sehingga developer dapat memilih model terbaik untuk aplikasi spesifik mereka.

Pelajari lebih lanjut cara menggunakan LangChain dengan Vertex AI.

LangChain menyediakan serangkaian fitur yang dirancang untuk memfasilitasi pengembangan aplikasi yang didukung LLM. Fitur-fitur ini diatur berdasarkan konsep inti yang membantu mengelola interaksi dengan model, terhubung ke data, dan mengorkestrasi perilaku yang kompleks.

• Integrasi data serbaguna: Terintegrasi dengan lancar dengan berbagai sumber data, mulai dari database terstruktur hingga teks tidak terstruktur, untuk pemahaman dan analisis bahasa yang komprehensif.
• Pengambilan dan penyimpanan data dalam cache yang efektif: Mengambil dan menyimpan data dalam cache secara efisien, sehingga memastikan akses cepat ke data bahasa dan meminimalkan latensi selama inferensi model.

• Dukungan beberapa chain: Memungkinkan pengoperasian beberapa model bahasa secara bersamaan dalam satu chain eksekusi, sehingga meningkatkan kolaborasi dan koordinasi.
• Topologi chaining fleksibel: Membantu pengguna mengonfigurasi dan mengoptimalkan pengaturan model bahasa dalam chain untuk eksekusi yang efisien dan alokasi resource yang optimal.

• Komunikasi dan interaksi multi-agen: LangChain mendukung pembuatan dan deployment beberapa agen pemahaman bahasa, sehingga memungkinkan kolaborasi dan koordinasi yang kompleks antara model
• Koordinasi agen terpusat: LangChain menyediakan koordinasi dan pengawasan terpusat untuk agen pemahaman bahasa, sehingga memastikan distribusi tugas yang efisien dan pengelolaan resource dalam sistem multi-agen

• Memori eksternal yang dapat diperluas: Menggabungkan modul memori eksternal kustom, sehingga pengguna dapat memperluas dan menyesuaikan pengelolaan memori untuk memenuhi persyaratan tertentu.
• Alokasi konteks adaptif: LangChain menggunakan algoritma adaptif untuk alokasi memori, mengoptimalkan pemanfaatan resource untuk penyimpanan dan pengambilan konteks yang efisien.