Estructura y módulos de LangChain

Flujo para generar una respuesta con LangChain

• Primero comenzamos con datos
• Luego se convierten en numero con embebbing
• Luego se guardan en una base de datos vectorial
• A partir del guardado se crea un prompt para empezar a hacer preguntas
• La pregunta al humano se combina con el promp y lo recibe un modelo de LLM (Large Lenguaje Model)
• Esto ultimo es la que genera la respuesta.

Sin embargo hay procesos que pueden o no ocurrir. Por ejemplo para el procesamiento de datos se pueden limpiar, generar resumenes, seleccionar metada especifica y posteriormente fragmentarlo para enviarlo al modelo de embebbing.

https://github.com/hwchase17/langchain

Para mí, la forma más fácil de encontrar los LLMs con los que LangChain tiene integraciones fue a través de la página de integraciones. Al 29 de julio de 2023, LangChain tiene integraciones con 56 LLMs.

Todavía no entiendo muy bien qué estoy haciendo/aprendiendo, desde la primera clase sentí que nos fuimos directo a la acción sin haber definido por ejemplo que LangChain es un framework (yo creía que era una librería).

Pero para responder al reto, se me hizo más fácil la página de integraciones, está todo ahí separado por categoría y un poco más claro, además de que cada integración que visité tenía información extra (aunque algún repo ya no existe).

Sí hablamos de modelos de chat, tiene integrados 6: 2 de OpenAI, Jina, Anthropic, Azure, PaLM (de Google), VertexAI y MLflow, pero también tiene integración con más de 50 modelos LLM’s.

Por medio de la página de integración, ya que muestra todos los modelos en un solo sitio.