⚡ 通过组合能力（composability）利用LLMs构建应用程序 ⚡
大型语言模型（LLMs）正成为一种变革性技术，使得开发人员能够构建以前无法构建的应用程序。 但单独使用这些LLMs往往不足以创建一个真正强大的应用程序 - 真正的力量在于当您可以将它们与其他计算或知识来源相结合时。
这个库旨在帮助开发这些类型的应用程序。这些类型的应用的常见示例包括：
请参见 此处 获取关于以下内容的完整文档：
- 入门指南（安装、设置环境、简单示例）
- How-To 示例（演示、集成、辅助功能）
- 参考 （完整的API文档）
- 资源（核心概念的高级解释）
关于 Python最新版本的中文文档，请参见 这里 。
关于 LangChain 的纯概念指南请见 这里 。
关于 JavaScript 的文档，请参见 这里 。
LangChain 的主要目的是提供六个核心领域的帮助。这些领域以不断升级的复杂度顺序是：
📃 LLMs and Prompts:
这包括提示管理，提示优化，为所有LLM提供通用接口以及用于处理LLM的常见工具。
🔗 Chains:
链（Chains）不仅仅是单个LLM调用，它们是一系列调用（无论是对LLM还是对其他工具）。LangChain为链提供了标准接口、与其他工具的集成以及常见应用的端到端链条。
📚 数据增强式生成 Data Augmented Generation:
数据增强生成（Data Augmented Generation）涉及特定类型的链，首先与外部数据源交互以获取用于生成步骤的数据。这包括长文本的摘要和针对特定数据源的问题 / 回答等示例。
🤖 Agents:
代理（Agents）涉及LLM做出决策以确定要采取哪些行动，执行该行动，查看观察结果并重复执行步骤直到完成。LangChain为代理提供了标准接口，一系列可供选择的代理和端到端代理的示例。
🧠 Memory:
“记忆”是指在链/代理的调用之间保持状态的概念。LangChain为内存（memory）提供了标准接口、一系列内存实现和使用内存的链式/代理的示例。
🧐 评估:
[BETA] 生成模型通常很难用传统指标进行评估。一种新的评估方法是使用语言模型本身进行评估。LangChain提供了一些提示/链条来协助这一过程。
有关这些概念的更多信息，请参见我们的 完整文档。
作为一个快速发展领域中的开源项目，我们非常欢迎贡献，帮助**LLM开发者降低阅读英文文档的压力。
