操作指南
在这里，您将找到“我该如何……？”类型问题的答案。
这些指南是目标导向和具体的；它们旨在帮助您完成特定任务。
有关概念性解释，请参阅概念指南。
有关端到端演练，请参阅教程。
有关每个类和函数的全面描述，请参阅API 参考。
🦜️ 安装
🦜️ 主要功能
这些功能是使用 LangChain 的核心。
🦜️ LangChain 表达语言 (LCEL)
LangChain 表达语言 是创建任意自定义链的一种方式。它建立在Runnable 协议之上。
LCEL 技巧表：快速了解如何使用主要的 LCEL 原语。
🦜️ 组件
这些是构建应用程序时可以使用的核心构建块。
🔗 提示模板
提示模板负责将用户输入格式化为可以传递给语言模型的格式。
🔗 示例选择器
示例选择器负责选择要传递给提示的正确少量示例。
🔗 聊天模型
聊天模型是一种较新的语言模型形式，它接收消息并输出消息。
🔗 LLMs
LangChain 称之为 LLMs 的是接收字符串并输出字符串的较旧形式的语言模型。
🔗 输出解析器
输出解析器负责将 LLM 的输出解析为更结构化的格式。
🔗 文档加载器
文档加载器负责从各种来源加载文档。
🔗 文本分割器
文本分割器将文档分割成可用于检索的块。
🔗 嵌入模型
嵌入模型接受一段文本并为其创建数值表示。
🔗 向量存储
向量存储是能够高效存储和检索嵌入的数据库。
🔗 检索器
检索器负责接受查询并返回相关文档。
🔗 索引
索引是将您的向量存储与底层数据源保持同步的过程。
🔗 工具
LangChain 工具包含工具的描述（用于传递给语言模型）以及要调用的函数的实现。
🔗 代理
:::note
有关代理的深入操作指南，请查看LangGraph文档。
:::
🔗 回调
🔗 自定义
LangChain 的所有组件都可以轻松扩展以支持您自己的版本。
🦜️ 使用案例
这些指南涵盖了特定用例的详细信息。
🔗 与 RAG 进行问答
检索增强生成（RAG）是将 LLM 连接到外部数据源的一种方式。
🔗 提取
提取是指使用 LLM 从非结构化文本中提取结构化信息。
🔗 聊天机器人
聊天机器人涉及使用 LLM 进行对话。
🔗 查询分析
查询分析是使用 LLM 生成要发送到检索器的查询的任务。
🔗 SQL + CSV 上的问答
您可以使用 LLM 对表格数据进行问答。
🔗 图数据库上的问答
您可以使用 LLM 对图数据库进行问答。