Update file name and update title

content/LangChain for LLM Application Development/1.简介 Introduction.md

@@ -0,0 +1,32 @@
+# 第一章 简介
+
+欢迎来到LangChain大模型应用开发短期课程👏🏻👏🏻
+
+本课程由哈里森·蔡斯 (Harrison Chase，LangChain作者）与Deeplearning.ai合作开发，旨在教大家使用这个神奇工具。
+
+
+## 一、LangChain的诞生和发展
+
+通过对LLM或大型语言模型给出提示(prompt)，现在可以比以往更快地开发AI应用程序，但是一个应用程序可能需要进行多轮提示以及解析输出。
+
+在此过程有很多胶水代码需要编写，基于此需求，哈里森·蔡斯 (Harrison Chase) 创建了LangChain，使开发过程变得更加丝滑。
+
+LangChain开源社区快速发展，贡献者已达数百人，正以惊人的速度更新代码和功能。
+
+
+## 二、课程基本内容
+
+LangChain是用于构建大模型应用程序的开源框架，有Python和JavaScript两个不同版本的包。LangChain基于模块化组合，有许多单独的组件，可以一起使用或单独使用。此外LangChain还拥有很多应用案例，帮助我们了解如何将这些模块化组件以链式方式组合，以形成更多端到端的应用程序 。
+
+在本课程中，我们将介绍LandChain的常见组件。具体而言我们会讨论一下几个方面
+- 模型(Models)
+- 提示(Prompts): 使模型执行操作的方式
+- 索引(Indexes): 获取数据的方式，可以与模型结合使用
+- 链式(Chains): 端到端功能实现
+- 代理(Agents): 使用模型作为推理引擎
+
+ 
+
+## 三、致谢课程重要贡献者
+
+最后特别感谢Ankush Gholar（LandChain的联合作者）、Geoff Ladwig,、Eddy Shyu 以及 Diala Ezzedine，他们也为本课程内容贡献颇多~ 

content/LangChain for LLM Application Development/1.简介.ipynb

@@ -1,87 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "markdown",
-   "id": "cfab521b-77fa-41be-a964-1f50f2ef4689",
-   "metadata": {},
-   "source": [
-    "# 1. 简介\n",
-    "<div class=\"toc\"><ul class=\"toc-item\"><li><span><a href=\"#1.1-LangChain的诞生和发展\" data-toc-modified-id=\"1.1-LangChain的诞生和发展-1\">1.1 LangChain的诞生和发展</a></span></li><li><span><a href=\"#1.2-课程基本内容\" data-toc-modified-id=\"1.2-课程基本内容-2\">1.2 课程基本内容</a></span></li><li><span><a href=\"#1.3-致谢课程重要贡献者\" data-toc-modified-id=\"1.3-致谢课程重要贡献者-3\">1.3 致谢课程重要贡献者</a></span></li></ul></div>\n",
-    "\n",
-    "欢迎来到LangChain大模型应用开发短期课程👏🏻👏🏻\n",
-    "\n",
-    "本课程由哈里森·蔡斯 (Harrison Chase，LangChain作者）与Deeplearning.ai合作开发，旨在教大家使用这个神奇工具。\n",
-    "\n",
-    "\n",
-    "\n",
-    "## 1.1 LangChain的诞生和发展\n",
-    "\n",
-    "通过对LLM或大型语言模型给出提示(prompt)，现在可以比以往更快地开发AI应用程序，但是一个应用程序可能需要进行多轮提示以及解析输出。\n",
-    "\n",
-    "在此过程有很多胶水代码需要编写，基于此需求，哈里森·蔡斯 (Harrison Chase) 创建了LangChain，使开发过程变得更加丝滑。\n",
-    "\n",
-    "LangChain开源社区快速发展，贡献者已达数百人，正以惊人的速度更新代码和功能。\n",
-    "\n",
-    "\n",
-    "## 1.2 课程基本内容\n",
-    "\n",
-    "LangChain是用于构建大模型应用程序的开源框架，有Python和JavaScript两个不同版本的包。LangChain基于模块化组合，有许多单独的组件，可以一起使用或单独使用。此外LangChain还拥有很多应用案例，帮助我们了解如何将这些模块化组件以链式方式组合，以形成更多端到端的应用程序 。\n",
-    "\n",
-    "在本课程中，我们将介绍LandChain的常见组件。具体而言我们会讨论一下几个方面\n",
-    "- 模型(Models)\n",
-    "- 提示(Prompts): 使模型执行操作的方式\n",
-    "- 索引(Indexes): 获取数据的方式，可以与模型结合使用\n",
-    "- 链式(Chains): 端到端功能实现\n",
-    "- 代理(Agents): 使用模型作为推理引擎\n",
-    "\n",
-    " \n",
-    "\n",
-    "## 1.3 致谢课程重要贡献者\n",
-    "\n",
-    "最后特别感谢Ankush Gholar（LandChain的联合作者）、Geoff Ladwig,、Eddy Shyu 以及 Diala Ezzedine，他们也为本课程内容贡献颇多~ "
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "e3618ca8",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  }
- ],
- "metadata": {
-  "kernelspec": {
-   "display_name": "Python 3 (ipykernel)",
-   "language": "python",
-   "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.9.12"
-  },
-  "toc": {
-   "base_numbering": 1,
-   "nav_menu": {},
-   "number_sections": false,
-   "sideBar": true,
-   "skip_h1_title": false,
-   "title_cell": "Table of Contents",
-   "title_sidebar": "Contents",
-   "toc_cell": false,
-   "toc_position": {},
-   "toc_section_display": true,
-   "toc_window_display": true
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 5
-}

content/LangChain for LLM Application Development/2.模型、提示和解析器 Models, Prompts and Output Parsers.ipynb

@@ -4,16 +4,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "# 模型，提示和输出解释器\n",
-    "\n",
-    "\n",
-    "**目录**\n",
-    "* 获取你的OpenAI API Key\n",
-    "* 直接调用OpenAI的API\n",
-    "* 通过LangChain进行的API调用：\n",
-    "  * 提示（Prompts）\n",
-    "  * [模型（Models)](#model)\n",
-    "  * 输出解析器（Output parsers）\n",
+    "# 第二章 模型，提示和输出解释器\n",
     "  "
    ]
   },
@@ -23,9 +14,9 @@
     "tags": []
    },
    "source": [
-    "## 获取你的OpenAI API Key\n",
+    "## 一、设置OpenAI API Key\n",
     "\n",
-    "登陆[OpenAI账户获取你的API Key](https://platform.openai.com/account/api-keys) "
+    "登陆[OpenAI账户](https://platform.openai.com/account/api-keys) 获取你的API Key"
    ]
   },
   {
@@ -72,10 +63,11 @@
   {
    "cell_type": "markdown",
    "metadata": {
+    "jp-MarkdownHeadingCollapsed": true,
     "tags": []
    },
    "source": [
-    "## Chat API：OpenAI\n",
+    "## 二、Chat API：OpenAI\n",
     "\n",
     "我们先从直接调用OpenAI的API开始。\n",
     "\n",
@@ -113,7 +105,7 @@
     "tags": []
    },
    "source": [
-    "### 一个简单的例子\n",
+    "### 2.1 一个简单的例子\n",
     "\n",
     "我们来一个简单的例子 - 分别用中英文问问模型\n",
     "\n",
@@ -166,9 +158,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "tags": []
+   },
    "source": [
-    "### 复杂一点例子\n",
+    "### 2.2 复杂一点例子\n",
     "\n",
     "上面的简单例子，模型`gpt-3.5-turbo`对我们的关于1+1是什么的提问给出了回答。\n",
     "\n",
@@ -228,6 +222,22 @@
     "下一步需要做的是将`customer_email`和`style`结合起来构造我们的提示:`prompt`"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# 非正式用语\n",
+    "customer_email = \"\"\"   \n",
+    "阿，我很生气，\\\n",
+    "因为我的搅拌机盖掉了，\\\n",
+    "把奶昔溅到了厨房的墙上！\\\n",
+    "更糟糕的是，保修不包括打扫厨房的费用。\\\n",
+    "我现在需要你的帮助，伙计！\n",
+    "\"\"\""
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 8,
@@ -313,9 +323,11 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "tags": []
+   },
    "source": [
-    "### 中文"
+    "### 2.3 中文版本提示"
    ]
   },
   {
@@ -325,22 +337,6 @@
     "假设我们是电商公司员工，我们的顾客是一名海盗A，他在我们的网站上买了一个榨汁机用来做奶昔，在制作奶昔的过程中，奶昔的盖子飞了出去，弄得厨房墙上到处都是。于是海盗A给我们的客服中心写来以下邮件：`customer_email`"
    ]
   },
-  {
-   "cell_type": "code",
-   "execution_count": 3,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "# 非正式用语\n",
-    "customer_email = \"\"\"   \n",
-    "阿，我很生气，\\\n",
-    "因为我的搅拌机盖掉了，\\\n",
-    "把奶昔溅到了厨房的墙上！\\\n",
-    "更糟糕的是，保修不包括打扫厨房的费用。\\\n",
-    "我现在需要你的帮助，伙计！\n",
-    "\"\"\""
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -442,7 +438,7 @@
     "tags": []
    },
    "source": [
-    "## Chat API：LangChain\n",
+    "## 三、Chat API：LangChain\n",
     "\n",
     "在前面一部分，我们通过封装函数`get_completion`直接调用了OpenAI完成了对方言邮件进行了的翻译，得到用平和尊重的语气、正式的普通话表达的邮件。\n",
     "\n",
@@ -451,19 +447,11 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 14,
+   "execution_count": 2,
    "metadata": {
     "tags": []
    },
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "^C\n"
-     ]
-    }
-   ],
+   "outputs": [],
    "source": [
     "# 如果你需要查看安装过程日志，可删除 -q \n",
     "# --upgrade 让我们可以安装到最新版本的 langchain\n",
@@ -476,7 +464,7 @@
     "tags": []
    },
    "source": [
-    "### 模型<a id='model'></a>\n",
+    "### 3.1 模型\n",
     "\n",
     "从`langchain.chat_models`导入`OpenAI`的对话模型`ChatOpenAI`。 除去OpenAI以外，`langchain.chat_models`还集成了其他对话模型，更多细节可以查看[Langchain官方文档](https://python.langchain.com/en/latest/modules/models/chat/integrations.html)。"
    ]
@@ -528,7 +516,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 提示模板\n",
+    "### 3.2 提示模板\n",
     "\n",
     "在前面的例子中，我们通过[f字符串](https://docs.python.org/zh-cn/3/tutorial/inputoutput.html#tut-f-strings)把Python表达式的值`style`和`customer_email`添加到`prompt`字符串内。\n",
     "\n",
@@ -546,7 +534,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "#### 📚 使用LangChain提示模版\n",
+    "#### 3.2.1 使用LangChain提示模版\n",
     "##### 1️⃣ 构造提示模版字符串\n",
     "我们构造一个提示模版字符串：`template_string`"
    ]
@@ -933,7 +921,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -1059,14 +1047,17 @@
     "tags": []
    },
    "source": [
-    "#### ❓为什么需要提示模版\n",
+    "#### 3.2.2 为什么需要提示模版\n",
     "\n",
     "\n"
    ]
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "jp-MarkdownHeadingCollapsed": true,
+    "tags": []
+   },
    "source": [
     "\n",
     "在应用于比较复杂的场景时，提示可能会非常长并且包含涉及许多细节。**使用提示模版，可以让我们更为方便地重复使用设计好的提示**。\n",
@@ -1118,8 +1109,6 @@
     "    \"\"\"\n",
     "```\n",
     "\n",
-    "# 中文\n",
-    "\n",
     "```python\n",
     "    prompt = \"\"\" 你的任务是判断学生的解决方案是正确的还是不正确的\n",
     "\n",
@@ -1226,14 +1215,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 输出解析器"
+    "### 3.3 输出解析器"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "#### 📚 如果没有输出解析器\n",
+    "#### 3.3.1 如果没有输出解析器\n",
     "\n",
     "对于给定的评价`customer_review`, 我们希望提取信息，并按以下格式输出：\n",
     "\n",
@@ -1514,7 +1503,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "#### 📚 LangChain输出解析器"
+    "#### 3.3.2 LangChain输出解析器"
    ]
   },
   {
@@ -1947,14 +1936,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 补充材料"
+    "## 四、补充材料"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 链式思考推理(ReAct) <a id='reason_act'></a>\n",
+    "### 4.1 链式思考推理(ReAct) <a id='reason_act'></a>\n",
     "参考资料：[ReAct (Reason+Act) prompting in OpenAI GPT and LangChain](https://tsmatz.wordpress.com/2023/03/07/react-with-openai-gpt-and-langchain/)"
    ]
   },

content/LangChain for LLM Application Development/3.存储 Memory.ipynb

@@ -5,9 +5,7 @@
    "id": "a786c77c",
    "metadata": {},
    "source": [
-    "# 3. 储存\n",
-    "\n",
-    "<div class=\"toc\"><ul class=\"toc-item\"><li><span><a href=\"#3.1-对话缓存储存\" data-toc-modified-id=\"3.1-对话缓存储存-1.1\">3.1 对话缓存储存</a></span></li><li><span><a href=\"#3.2-对话缓存窗口储存\" data-toc-modified-id=\"3.2-对话缓存窗口储存-1.2\">3.2 对话缓存窗口储存</a></span></li><li><span><a href=\"#3.3-对话token缓存储存\" data-toc-modified-id=\"3.3-对话token缓存储存-1.3\">3.3 对话token缓存储存</a></span></li><li><span><a href=\"#3.4-对话摘要缓存储存\" data-toc-modified-id=\"3.4-对话摘要缓存储存-1.4\">3.4 对话摘要缓存储存</a></span></li></ul></div>\n",
+    "# 第三章 储存\n",
     "\n",
     "当你与那些语言模型进行交互的时候，他们不会记得你之前和他进行的交流内容，这在我们构建一些应用程序（如聊天机器人）的时候，是一个很大的问题---显得不够智能！\n",
     "\n",
@@ -48,22 +46,12 @@
     "为了延长LLM短期记忆的保留时间，则需要借助一些外部存储方式来进行记忆，以便在用户与LLM对话中，LLM能够尽可能的知道用户与它所进行的历史对话信息。 "
    ]
   },
-  {
-   "cell_type": "markdown",
-   "id": "1297dcd5",
-   "metadata": {},
-   "source": [
-    "## 3.1 对话缓存储存  \n",
-    "  \n",
-    "这种记忆允许存储消息，然后从变量中提取消息。"
-   ]
-  },
   {
    "cell_type": "markdown",
    "id": "0768ca9b",
    "metadata": {},
    "source": [
-    "### 1.首先，让我们导入相关的包和 OpenAI API 秘钥"
+    "## 一、设置OpenAI API Key"
    ]
   },
   {
@@ -71,7 +59,7 @@
    "id": "d76f6ba7",
    "metadata": {},
    "source": [
-    "### dotenv模块使用解析：  \n",
+    "dotenv模块使用解析：  \n",
     "- 安装方式：pip install python-dotenv\n",
     "- load_dotenv()函数用于加载环境变量，\n",
     "- find_dotenv()函数用于寻找并定位.env文件的路径  \n",
@@ -97,6 +85,16 @@
     "_ = load_dotenv(find_dotenv()) "
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "1297dcd5",
+   "metadata": {},
+   "source": [
+    "## 二、对话缓存储存  \n",
+    "  \n",
+    "这种记忆允许存储消息，然后从变量中提取消息。"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 2,
@@ -135,7 +133,7 @@
    "id": "dea83837",
    "metadata": {},
    "source": [
-    "### 2.开始对话，第一轮"
+    "### 2.1 开始对话，第一轮"
    ]
   },
   {
@@ -232,7 +230,7 @@
    "id": "e71564ad",
    "metadata": {},
    "source": [
-    "### 3.第二轮对话"
+    "### 2.2 第二轮对话"
    ]
   },
   {
@@ -343,7 +341,7 @@
    "id": "33cb734b",
    "metadata": {},
    "source": [
-    "### 4.第三轮对话"
+    "### 2.3 第三轮对话"
    ]
   },
   {
@@ -458,7 +456,7 @@
    "id": "5a96a8d9",
    "metadata": {},
    "source": [
-    "### 5.memory.buffer存储了当前为止所有的对话信息"
+    "### 2.4 .memory.buffer存储了当前为止所有的对话信息"
    ]
   },
   {
@@ -527,7 +525,7 @@
    "id": "6bd222c3",
    "metadata": {},
    "source": [
-    "### 6.也可以通过memory.load_memory_variables({})打印历史消息"
+    "### 2.5 也可以通过memory.load_memory_variables({})打印历史消息"
    ]
   },
   {
@@ -588,7 +586,7 @@
    "id": "07d2e892",
    "metadata": {},
    "source": [
-    "### 7.添加指定的输入输出内容到记忆缓存区"
+    "### 2.6 添加指定的输入输出内容到记忆缓存区"
    ]
   },
   {
@@ -768,7 +766,7 @@
    "id": "cf98e9ff",
    "metadata": {},
    "source": [
-    "## 3.2 对话缓存窗口储存\n",
+    "## 三、对话缓存窗口储存\n",
     "  \n",
     "随着对话变得越来越长，所需的内存量也变得非常长。将大量的tokens发送到LLM的成本，也会变得更加昂贵,这也就是为什么API的调用费用，通常是基于它需要处理的tokens数量而收费的。\n",
     "  \n",
@@ -793,7 +791,7 @@
    "id": "641477a4",
    "metadata": {},
    "source": [
-    "### 1.向memory添加两轮对话，并查看记忆变量当前的记录"
+    "### 3.1 向memory添加两轮对话，并查看记忆变量当前的记录"
    ]
   },
   {
@@ -851,7 +849,7 @@
    "id": "9b401f0b",
    "metadata": {},
    "source": [
-    "### 2.在看一个例子，发现和上面的结果一样，只保留了一轮对话记忆"
+    "### 3.2 在看一个例子，发现和上面的结果一样，只保留了一轮对话记忆"
    ]
   },
   {
@@ -886,7 +884,7 @@
    "id": "63bda148",
    "metadata": {},
    "source": [
-    "### 3.将对话缓存窗口记忆应用到对话链中"
+    "### 3.3 将对话缓存窗口记忆应用到对话链中"
    ]
   },
   {
@@ -1022,7 +1020,7 @@
    "id": "d2931b92",
    "metadata": {},
    "source": [
-    "## 3.3 对话token缓存储存"
+    "## 四、对话token缓存储存"
    ]
   },
   {
@@ -1051,7 +1049,7 @@
    "id": "2187cfe6",
    "metadata": {},
    "source": [
-    "### 1.导入相关包和API密钥"
+    "### 4.1 导入相关包和API密钥"
    ]
   },
   {
@@ -1075,7 +1073,7 @@
    "id": "f3a84112",
    "metadata": {},
    "source": [
-    "### 2.限制token数量，进行测试"
+    "### 4.2 限制token数量，进行测试"
    ]
   },
   {
@@ -1132,7 +1130,7 @@
    "id": "f7f6be43",
    "metadata": {},
    "source": [
-    "### 3.在看一个中文例子"
+    "### 4.3 中文例子"
    ]
   },
   {
@@ -1181,7 +1179,7 @@
    "id": "5ff55d5d",
    "metadata": {},
    "source": [
-    "## 3.4 对话摘要缓存储存"
+    "## 四、对话摘要缓存储存"
    ]
   },
   {
@@ -1222,7 +1220,7 @@
    "id": "6572ef39",
    "metadata": {},
    "source": [
-    "### 创建一个长字符串，其中包含某人的日程安排"
+    "### 5.1 创建一个长字符串，其中包含某人的日程安排"
    ]
   },
   {
@@ -1279,7 +1277,7 @@
    "id": "7ccb97b6",
    "metadata": {},
    "source": [
-    "### 基于上面的memory，新建一个对话链"
+    "### 5.2 基于上面的memory，新建一个对话链"
    ]
   },
   {
@@ -1371,7 +1369,7 @@
     "height": 31
    },
    "source": [
-    "### 中文"
+    "### 5.3 中文例子"
    ]
   },
   {

content/LangChain for LLM Application Development/4.模型链 Chains.ipynb

@@ -1,32 +1,31 @@
 {
  "cells": [
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "52824b89-532a-4e54-87e9-1410813cd39e",
    "metadata": {},
    "source": [
-    "# Chains in LangChain（LangChain中的链）\n",
-    "\n",
-    "## Outline\n",
-    "\n",
-    "* LLMChain（大语言模型链）\n",
-    "* Sequential Chains（顺序链）\n",
-    "  * SimpleSequentialChain\n",
-    "  * SequentialChain\n",
-    "* Router Chain（路由链）"
+    "# 第四章 模型链"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "54810ef7",
    "metadata": {},
    "source": [
-    "### 为什么我们需要Chains ？\n",
     "链允许我们将多个组件组合在一起，以创建一个单一的、连贯的应用程序。链（Chains）通常将一个LLM（大语言模型）与提示结合在一起，使用这个构建块，您还可以将一堆这些构建块组合在一起，对您的文本或其他数据进行一系列操作。例如，我们可以创建一个链，该链接受用户输入，使用提示模板对其进行格式化，然后将格式化的响应传递给LLM。我们可以通过将多个链组合在一起，或者通过将链与其他组件组合在一起来构建更复杂的链。"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "67fbb012-bee5-49a8-9b62-9bad7ee87e94",
+   "metadata": {},
+   "source": [
+    "## 一、设置OpenAI API Key\n",
+    "\n",
+    "登陆[OpenAI账户获取你的API Key](https://platform.openai.com/account/api-keys) "
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 44,
@@ -68,7 +67,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "663fc885",
    "metadata": {},
@@ -167,16 +165,14 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "b940ce7c",
    "metadata": {},
    "source": [
-    "## 1. LLMChain"
+    "## 二、LLMChain"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "e000bd16",
    "metadata": {},
@@ -197,7 +193,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "94a32c6f",
    "metadata": {},
@@ -216,7 +211,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "81887434",
    "metadata": {},
@@ -238,7 +232,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "5c22cb13",
    "metadata": {},
@@ -257,7 +250,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "8d7d5ff6",
    "metadata": {},
@@ -288,7 +280,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "1e1ede1c",
    "metadata": {},
@@ -324,21 +315,19 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "49158430",
    "metadata": {},
    "source": [
-    "## 2. Sequential Chains"
+    "## 三、Sequential Chains"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "69b03469",
    "metadata": {},
    "source": [
-    "### 2.1 SimpleSequentialChain\n",
+    "### 3.1 SimpleSequentialChain\n",
     "\n",
     "顺序链（Sequential Chains）是按预定义顺序执行其链接的链。具体来说，我们将使用简单顺序链（SimpleSequentialChain），这是顺序链的最简单类型，其中每个步骤都有一个输入/输出，一个步骤的输出是下一个步骤的输入"
    ]
@@ -364,7 +353,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "0e732589",
    "metadata": {},
@@ -391,7 +379,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "dcfca7bd",
    "metadata": {},
@@ -417,7 +404,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "3a1991f4",
    "metadata": {},
@@ -438,7 +424,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "5122f26a",
    "metadata": {},
@@ -534,16 +519,14 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "7b5ce18c",
    "metadata": {},
    "source": [
-    "### 2.2 SequentialChain"
+    "### 3.2 SequentialChain"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "1e69f4c0",
    "metadata": {},
@@ -567,7 +550,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "3d4be4e8",
    "metadata": {},
@@ -586,7 +568,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "9811445c",
    "metadata": {},
@@ -693,7 +674,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "0509de01",
    "metadata": {},
@@ -869,16 +849,14 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "3041ea4c",
    "metadata": {},
    "source": [
-    "## 3. Router Chain（路由链）"
+    "## 四、 Router Chain（路由链）"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "f0c32f97",
    "metadata": {},
@@ -896,12 +874,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "cb1b4708",
    "metadata": {},
    "source": [
-    "### 定义提示模板"
+    "### 4.1 定义提示模板"
    ]
   },
   {
@@ -1017,7 +994,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "6922b35e",
    "metadata": {},
@@ -1028,6 +1004,7 @@
   {
    "cell_type": "code",
    "execution_count": 27,
+   "id": "141a3d32",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -1088,12 +1065,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "80eb1de8",
    "metadata": {},
    "source": [
-    "### 导入相关的包"
+    "### 4.2 导入相关的包"
    ]
   },
   {
@@ -1109,12 +1085,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "50c16f01",
    "metadata": {},
    "source": [
-    "### 定义语言模型"
+    "### 4.3 定义语言模型"
    ]
   },
   {
@@ -1128,12 +1103,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "8795cd42",
    "metadata": {},
    "source": [
-    "### LLMRouterChain（此链使用 LLM 来确定如何路由事物）\n",
+    "### 4.4 LLMRouterChain（此链使用 LLM 来确定如何路由事物）\n",
     "\n",
     "在这里，我们需要一个**多提示链**。这是一种特定类型的链，用于在多个不同的提示模板之间进行路由。\n",
     "但是，这只是你可以路由的一种类型。你也可以在任何类型的链之间进行路由。\n",
@@ -1143,12 +1117,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "46633b43",
    "metadata": {},
    "source": [
-    "#### 创建目标链  \n",
+    "#### 4.4.1 创建目标链  \n",
     "目标链是由路由链调用的链，每个目标链都是一个语言模型链"
    ]
   },
@@ -1192,12 +1165,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "eba115de",
    "metadata": {},
    "source": [
-    "#### 创建默认目标链\n",
+    "#### 4.4.2 创建默认目标链\n",
     "除了目标链之外，我们还需要一个默认目标链。这是一个当路由器无法决定使用哪个子链时调用的链。在上面的示例中，当输入问题与物理、数学、历史或计算机科学无关时，可能会调用它。"
    ]
   },
@@ -1213,17 +1185,15 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "948700c4",
    "metadata": {},
    "source": [
-    "#### 创建LLM用于在不同链之间进行路由的模板\n",
+    "#### 4.4.3 创建LLM用于在不同链之间进行路由的模板\n",
     "这包括要完成的任务的说明以及输出应该采用的特定格式。"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "24f30c2c",
    "metadata": {},
@@ -1348,12 +1318,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "de5c46d0",
    "metadata": {},
    "source": [
-    "#### 构建路由链\n",
+    "#### 4.4.4 构建路由链\n",
     "首先，我们通过格式化上面定义的目标创建完整的路由器模板。这个模板可以适用许多不同类型的目标。\n",
     "因此，在这里，您可以添加一个不同的学科，如英语或拉丁语，而不仅仅是物理、数学、历史和计算机科学。\n",
     "\n",
@@ -1382,12 +1351,11 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "7e92355c",
    "metadata": {},
    "source": [
-    "#### 最后，将所有内容整合在一起，创建整体链路"
+    "#### 4.4.5 创建整体链路"
    ]
   },
   {
@@ -1406,16 +1374,14 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "086503f7",
    "metadata": {},
    "source": [
-    "#### 进行提问"
+    "#### 4.4.6 进行提问"
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "969cd878",
    "metadata": {},
@@ -1522,7 +1488,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "289c5ca9",
    "metadata": {},
@@ -1611,7 +1576,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "4186a2b9",
    "metadata": {},
@@ -1704,7 +1668,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.10.9"
+   "version": "3.9.12"
   }
  },
  "nbformat": 4,

content/LangChain for LLM Application Development/5.基于文档的问答 Question and Answer.ipynb

@@ -5,8 +5,7 @@
    "id": "f200ba9a",
    "metadata": {},
    "source": [
-    "# 5 基于文档的问答 \n",
-    "<div class=\"toc\"><ul class=\"toc-item\"><li><span><a href=\"#5.1-导入embedding模型和向量存储组件\" data-toc-modified-id=\"5.1-导入embedding模型和向量存储组件-1\">5.1 导入embedding模型和向量存储组件</a></span><ul class=\"toc-item\"><li><span><a href=\"#5.1.2-创建向量存储\" data-toc-modified-id=\"5.1.2-创建向量存储-1.1\">5.1.2 创建向量存储</a></span></li><li><span><a href=\"#5.1.3-使用语言模型与文档结合使用\" data-toc-modified-id=\"5.1.3-使用语言模型与文档结合使用-1.2\">5.1.3 使用语言模型与文档结合使用</a></span></li></ul></li><li><span><a href=\"#5.2-如何回答我们文档的相关问题\" data-toc-modified-id=\"5.2-如何回答我们文档的相关问题-2\">5.2 如何回答我们文档的相关问题</a></span><ul class=\"toc-item\"><li><span><a href=\"#5.2.1-不同类型的chain链\" data-toc-modified-id=\"5.2.1-不同类型的chain链-2.1\">5.2.1 不同类型的chain链</a></span></li></ul></li></ul></div>"
+    "# 第五章 基于文档的问答"
    ]
   },
   {
@@ -94,7 +93,7 @@
     "height": 30
    },
    "source": [
-    "## 5.1 导入embedding模型和向量存储组件\n",
+    "## 一、导入embedding模型和向量存储组件\n",
     "使用Dock Array内存搜索向量存储，作为一个内存向量存储，不需要连接外部数据库"
    ]
   },
@@ -289,7 +288,7 @@
    "id": "2963fc63",
    "metadata": {},
    "source": [
-    "### 5.1.2 创建向量存储\n",
+    "### 1.1 创建向量存储\n",
     "将导入一个索引，即向量存储索引创建器"
    ]
   },
@@ -396,7 +395,7 @@
    "id": "dd34e50e",
    "metadata": {},
    "source": [
-    "### 5.1.3 使用语言模型与文档结合使用\n",
+    "### 1.2 使用语言模型与文档结合使用\n",
     "想要使用语言模型并将其与我们的许多文档结合使用，但是语言模型一次只能检查几千个单词，如果我们有非常大的文档，如何让语言模型回答关于其中所有内容的问题呢？通过embedding和向量存储实现\n",
     "* embedding   \n",
     "文本片段创建数值表示文本语义，相似内容的文本片段将具有相似的向量，这使我们可以在向量空间中比较文本片段\n",
@@ -607,7 +606,7 @@
    "id": "fe41b36f",
    "metadata": {},
    "source": [
-    "## 5.2 如何回答我们文档的相关问题\n",
+    "## 二、 如何回答我们文档的相关问题\n",
     "首先，我们需要从这个向量存储中创建一个检索器，检索器是一个通用接口，可以由任何接受查询并返回文档的方法支持。接下来，因为我们想要进行文本生成并返回自然语言响应\n"
    ]
   },
@@ -798,7 +797,7 @@
    "id": "44f1fa38",
    "metadata": {},
    "source": [
-    "### 5.2.1 不同类型的chain链\n",
+    "### 1.3 不同类型的chain链\n",
     "想在许多不同类型的块上执行相同类型的问答，该怎么办？之前的实验中只返回了4个文档，如果有多个文档，那么我们可以使用几种不同的方法\n",
     "* Map Reduce   \n",
     "将所有块与问题一起传递给语言模型，获取回复，使用另一个语言模型调用将所有单独的回复总结成最终答案，它可以在任意数量的文档上运行。可以并行处理单个问题，同时也需要更多的调用。它将所有文档视为独立的\n",
@@ -809,6 +808,14 @@
     "* Stuff    \n",
     "将所有内容组合成一个文档"
    ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "41c9d68a-251a-41f1-a571-f6a13b3d7b40",
+   "metadata": {},
+   "outputs": [],
+   "source": []
   }
  ],
  "metadata": {

content/LangChain for LLM Application Development/6.评估 Evaluation.ipynb

@@ -5,7 +5,7 @@
    "id": "52824b89-532a-4e54-87e9-1410813cd39e",
    "metadata": {},
    "source": [
-    "# 6.评估\n",
+    "# 第六章 评估\n",
     "\n",
     "当使用llm构建复杂应用程序时，评估应用程序的表现是一个重要但有时棘手的步骤，它是否满足某些准确性标准？\n",
     "通常更有用的是从许多不同的数据点中获得更全面的模型表现情况\n",
@@ -1087,7 +1087,6 @@
    "source": []
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "0b6680d2",
    "metadata": {},
@@ -1367,7 +1366,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "952fc528",
    "metadata": {},
@@ -1419,7 +1417,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "b5b994b0",
    "metadata": {},
@@ -1428,7 +1425,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "0214fe01",
    "metadata": {},
@@ -1456,7 +1452,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "27f3bc68",
    "metadata": {},
@@ -1475,7 +1470,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "d2117da8",
    "metadata": {},
@@ -1484,7 +1478,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "9e76a2ae",
    "metadata": {},
@@ -1539,7 +1532,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "13e72db4",
    "metadata": {},
@@ -1600,6 +1592,7 @@
   {
    "cell_type": "code",
    "execution_count": 39,
+   "id": "82ec0488",
    "metadata": {},
    "outputs": [],
    "source": [
@@ -1743,7 +1736,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "0f076f4c",
    "metadata": {},
@@ -1794,7 +1786,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "9737c0cc",
    "metadata": {},
@@ -1934,7 +1925,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "9f3ebc93",
    "metadata": {},
@@ -1955,7 +1945,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "dd57860a",
    "metadata": {},
@@ -2340,7 +2329,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "ece7c7b4",
    "metadata": {},

content/LangChain for LLM Application Development/7.代理 Agent.ipynb

@@ -1,28 +1,11 @@
 {
  "cells": [
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "2caa79ba-45e3-437c-9cb6-e433f443f0bf",
    "metadata": {},
    "source": [
-    "# 7. 代理\n",
-    "\n",
-    "<div class=\"toc\">\n",
-    "    <ul class=\"toc-item\">\n",
-    "    <li><span><a href=\"#7.1-LangChain内置工具\" data-toc-modified-id=\"7.1-LangChain内置工具-1\">7.1 LangChain内置工具</a></span>\n",
-    "        <ul class=\"toc-item\">\n",
-    "            <li><span><a href=\"#7.1.1-使用llm-math和wikipedia工具\" data-toc-modified-id=\"7.1.1-使用llm-math和wikipedia工具-1.1\">7.1.1 使用llm-math和wikipedia工具</a></span>\n",
-    "            <li><span><a href=\"#7.1.2-使用PythonREPLTool工具\" data-toc-modified-id=\"7.1.2-使用PythonREPLTool工具-1.2\">7.1.2 使用PythonREPLTool工具</a></span>\n",
-    "            </ul>   \n",
-    "    <li><span><a href=\"#7.2-定义自己的工具并在代理中使用\" data-toc-modified-id=\"7.2-定义自己的工具并在代理中使用-2\">7.2 定义自己的工具并在代理中使用</a></span>\n",
-    "        <ul class=\"toc-item\">\n",
-    "            <li><span><a href=\"#7.2.1-创建和使用自定义时间工具\" data-toc-modified-id=\"7.2.1-创建和使用自定义时间工具-2.1\">7.2.1 创建和使用自定义时间工具</a></span></li>\n",
-    "        </ul>\n",
-    "        </li>\n",
-    "    </ul>\n",
-    "</div>\n",
-    "\n",
+    "# 第七章 代理\n",
     "\n",
     "大语言模型学习并记住许多的网络公开信息，大语言模型最常见的应用场景是，将它当作知识库，让它对给定的问题做出回答。\n",
     "\n",
@@ -48,7 +31,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "631c764b-68fa-483a-80a5-9a322cd1117c",
    "metadata": {},
@@ -83,7 +65,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "d5a3655c-4d5e-4a86-8bf4-a11bd1525059",
    "metadata": {},
@@ -92,7 +73,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "e484d285-2110-4a06-a360-55313d6d9ffc",
    "metadata": {},
@@ -116,7 +96,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "d7f75023-1825-4d74-bc8e-2c362f551fd1",
    "metadata": {
@@ -142,7 +121,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "e5b4fcc8-8817-4a94-b154-3f328480e441",
    "metadata": {},
@@ -171,7 +149,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "b980137a-a1d2-4c19-80c8-ec380f9c1efe",
    "metadata": {
@@ -193,13 +170,7 @@
      "text": [
       "\n",
       "\n",
-      "\u001b[1m> Entering new  chain...\u001b[0m\n"
-     ]
-    },
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
+      "\u001b[1m> Entering new  chain...\u001b[0m\n",
       "\u001b[32;1m\u001b[1;3mQuestion: 计算300的25%\n",
       "Thought: 我可以使用计算器来计算这个百分比\n",
       "Action:\n",
@@ -233,7 +204,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "05bb0811-d71e-4016-868b-efbb651d8e59",
    "metadata": {},
@@ -258,7 +228,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "bdd13d06-0f0e-4918-ac28-339f524f8c76",
    "metadata": {},
@@ -568,7 +537,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "39e2f6fb-f229-4235-ad58-98a5f505800c",
    "metadata": {},
@@ -595,7 +563,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "5901cab6-a7c9-4590-b35d-d41c29e39a39",
    "metadata": {},
@@ -604,7 +571,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "12b8d837-524c-46b8-9189-504808cf1f93",
    "metadata": {},
@@ -630,7 +596,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "d32ed40c-cbcd-4efd-b044-57e611f5fab5",
    "metadata": {
@@ -672,13 +637,7 @@
      "text": [
       "\n",
       "\n",
-      "\u001b[1m> Entering new  chain...\u001b[0m\n"
-     ]
-    },
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
+      "\u001b[1m> Entering new  chain...\u001b[0m\n",
       "\u001b[32;1m\u001b[1;3m我需要使用拼音库来将客户名字转换为拼音。我可以使用Python的pinyin库来实现这个功能。\n",
       "Action: Python_REPL\n",
       "Action Input: import pinyin\u001b[0m\n",
@@ -732,7 +691,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "16f530a5-8c50-4648-951f-4e65d15ca93f",
    "metadata": {
@@ -744,7 +702,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "951048dc-0414-410d-a0e9-6ef32bbdda89",
    "metadata": {
@@ -977,7 +934,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "6b2ba50d-53c4-4eab-9467-98f562a072cc",
    "metadata": {
@@ -999,7 +955,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "fb92f6e4-21ab-494d-9c22-d0678050fd37",
    "metadata": {},
@@ -1020,7 +975,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "8990b3c6-fe05-45b6-9567-06baec267a99",
    "metadata": {},
@@ -1060,7 +1014,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "440cb348-0ec6-4999-a6cd-81cb48b8c546",
    "metadata": {},
@@ -1085,7 +1038,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "f1a10657-23f2-4f78-a247-73f272119eb4",
    "metadata": {},
@@ -1143,7 +1095,6 @@
    ]
   },
   {
-   "attachments": {},
    "cell_type": "markdown",
    "id": "923a199f-08e8-4e70-afb5-70cd3e123acf",
    "metadata": {},
@@ -1187,7 +1138,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.9.16"
+   "version": "3.9.12"
   },
   "toc": {
    "base_numbering": 1,

content/LangChain for LLM Application Development/8.总结 Conclusion.md

@@ -0,0 +1,19 @@
+# 第八章 总结
+
+
+本次简短课程涵盖了一系列LangChain的应用实践，包括处理顾客评论和基于文档回答问题，以及通过LLM判断何时求助外部工具 (如网站) 来回答复杂问题。
+
+**👍🏻 LangChain如此强大**
+
+构建这类应用曾经需要耗费数周时间，而现在只需要非常少的代码，就可以通过LangChain高效构建所需的应用程序。LangChain已成为开发大模型应用的有力范式，希望大家拥抱这个强大工具，积极探索更多更广泛的应用场景。
+
+**🌈 不同组合, 更多可能性**
+
+LangChain还可以协助我们做什么呢：基于CSV文件回答问题、查询sql数据库、与api交互，有很多例子通过Chain以及不同的提示（Prompts）和输出解析器（output parsers）组合得以实现。
+
+**💪🏻 出发 去探索新世界吧**
+
+因此非常感谢社区中做出贡献的每一个人，无论是协助文档的改进，还是让其他人更容易上手，还是构建新的Chain打开一个全新的世界。
+
+如果你还没有这样做，快去打开电脑，运行  pip install LangChain，然后去使用LangChain、搭建惊艳的应用吧~
+

content/LangChain for LLM Application Development/8.总结.ipynb

@@ -1,64 +0,0 @@
-{
- "cells": [
-  {
-   "cell_type": "markdown",
-   "id": "87f7cfaa",
-   "metadata": {},
-   "source": [
-    "# 8. 总结\n",
-    "\n",
-    "\n",
-    "本次简短课程涵盖了一系列LangChain的应用实践，包括处理顾客评论和基于文档回答问题，以及通过LLM判断何时求助外部工具 (如网站) 来回答复杂问题。\n",
-    "\n",
-    "**👍🏻 LangChain如此强大**\n",
-    "\n",
-    "构建这类应用曾经需要耗费数周时间，而现在只需要非常少的代码，就可以通过LangChain高效构建所需的应用程序。LangChain已成为开发大模型应用的有力范式，希望大家拥抱这个强大工具，积极探索更多更广泛的应用场景。\n",
-    "\n",
-    "**🌈 不同组合, 更多可能性**\n",
-    "\n",
-    "LangChain还可以协助我们做什么呢：基于CSV文件回答问题、查询sql数据库、与api交互，有很多例子通过Chain以及不同的提示（Prompts）和输出解析器（output parsers）组合得以实现。\n",
-    "\n",
-    "**💪🏻 出发 去探索新世界吧**\n",
-    "\n",
-    "因此非常感谢社区中做出贡献的每一个人，无论是协助文档的改进，还是让其他人更容易上手，还是构建新的Chain打开一个全新的世界。\n",
-    "\n",
-    "如果你还没有这样做，快去打开电脑，运行  pip install LangChain，然后去使用LangChain、搭建惊艳的应用吧~\n",
-    "\n"
-   ]
-  }
- ],
- "metadata": {
-  "kernelspec": {
-   "display_name": "Python 3 (ipykernel)",
-   "language": "python",
-   "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.9.12"
-  },
-  "toc": {
-   "base_numbering": 1,
-   "nav_menu": {},
-   "number_sections": false,
-   "sideBar": true,
-   "skip_h1_title": false,
-   "title_cell": "Table of Contents",
-   "title_sidebar": "Contents",
-   "toc_cell": false,
-   "toc_position": {},
-   "toc_section_display": true,
-   "toc_window_display": true
-  }
- },
- "nbformat": 4,
- "nbformat_minor": 5
-}