使用 LangGraph 构建、部署到 LangGraph Cloud 并通过 LangGraph Studio 查看的代理进行了完整的端到端演练

使用 LangGraph 构建、部署到 LangGraph Cloud 并通过 LangGraph Studio 查看的代理进行了完整的端到端演练

介绍

考虑到语言和人工智能的交汇，发展速度非常快。而 LangChain 发现自己处于塑造生成式人工智能应用程序开发和管理方式的前沿。

关于生成式人工智能和语言的一些初步观察：

1. 几个月前，人们认为 OpenAI 凭借其强大的 LLM 占领了市场。
2. 随后，大量开源模型（最著名的是来自 Meta 的模型）颠覆了人们所认为的商业模式。
3. LLM 提供商意识到语言模型将成为一种单纯的实用程序，并开始关注最终用户应用程序和类似 RAG 的功能（称为基础、类似代理的功能和个人助理）。
4. 必须解决幻觉问题，并且发现 LLM 不具备突发能力，但 LLM 在**情境学习 ( *ICL* ) 方面表现异常出色。**围绕实施、扩展和管理 ICL 实施而开发的应用程序结构；我们现在将其称为 RAG。
5. RAG（非梯度）开始比微调（梯度）方法更受欢迎，因为它透明，不像微调那样不透明。此外，生成式 AI 应用程序还具有可观察、可检查和易于修改的特点。
6. 因为我们开始使用 LLM 的所有方面（NLG、推理、规划、对话状态管理等），除了 LLM 的知识密集型性质之外，小型语言模型变得非常适用。
7. 这是归功于非常强大的开源 SLM、量化、本地、离线推理、先进的推理能力和思路链训练。
8. 而且，重点正在转向两个方面……第*一个*是数据中心方法。可以发现、设计和增强非结构化数据以进行 RAG 和微调。最近的微调并没有专注于增强语言模型的知识密集型性质，而是赋予 LM 特定的行为能力。
9. 这显然体现在最近收购