最近，Hacker News热榜上出现了一篇「声讨」LangChain的技术文章，得到了评论区网友的一致呼应。去年还火遍LLM圈的LangChain，为什么口碑逆转了？
想要达成通用人工智能 AGI 的终极目标，首先要达成的是模型要能完成人类所能轻松做到的任务。为了做到这一点，大模型开发的关键指导之一便是如何让机器像人类一样思考和推理。诸如注意力机制和思维链（Chain-of-Thought）等技术正是由此产生的灵感。
AI正在从Copilot向Agent过渡
或许从诞生那天起，LangChain 就注定是一个口碑两极分化的产品。
检索增强生成 (RAG) 是将检索模型与生成模型结合起来，以提高生成内容的质量和相关性的一种有效的方法。RAG 的核心思想是利用大量文档或知识库来获取相关信息。各种工具支持 RAG，包括 Langchain 和 LlamaIndex。
AI工具独立开发者「Alchain花生」最近做了一个小测试。在GPT Store上，他把自己开发的一款用户数5000+的GPT（模拟Claude 3 Opus）调成了付费模式，想看看海外用户是否真有更高的付费意愿
上一期我们分享了吴恩达教授，在红杉 AI 峰会的分享内容：Agent > GPT5？吴恩达最新演讲：四种 Agent 设计范式（通俗易懂版），分享后，吴恩达教授介绍了 Harrison 大佬，即 Langchain 的作者。
近年来，大语言模型（LLMs）由于其通用的问题处理能力而引起了大量的关注。现有研究表明，适当的提示设计（prompt enginerring），例如思维链（Chain-of-Thoughts），可以解锁 LLM 在不同领域的强大能力。
现在，为了实现相同的目标，我们有两个最著名的库，即 Haystack 和 LangChain，它们可以帮助我们创建基于大语言模型的端到端应用程序或流程。
对模型参数量的迷信、执念也许可以放下了，混合多个小模型也是未来构造对话型 AI 的一个光明的方向。
