去年，大型语言模型进入了主流，成为了有趣的工具，有时甚至是滑稽的实验。我们中谁没有向ChatGPT挑战，让它发明一个新的敲门笑话或者写一首关于小狗的莎士比亚十四行诗呢？
随着大型语言模型的能力越来越明显，它们的局限性也变得越来越明显。机器学习从业者和应用开发人员很快意识到，对于那些无法获取最新信息并且彼此隔离的模型，你能做的事情是有限的。
幸运的是，我们已经有了多种工具和平台，旨在通过将大型语言模型与外部数据源和其他模型连接起来，从而为它们打开新的创意用途。LangChain已经成为这个领域的主要选择之一，在其推出后的几个月里，TDS的作者们一直在探索其能力和痛点。本周我们收集到了一些关于这个主题的最佳实用资源，你准备好动手了吗？
- Leonie Monigatti的初学者友好入门文既是概述、概念解释，又是实践介绍，对于那些刚刚开始使用LangChain的人来说，这是一个必读的文章。它清楚地解释了你需要了解的所有主要术语和概念。
- 如果你准备深入了解，Dominik Polzer最近撰写了一份全面的指南，它提供了关于大型语言模型的工作原理以及为什么需要像LangChain这样的框架的有用背景知识，并详细介绍了逐步构建一个应用程序的过程。
- 开发人员已经想出了许多将模型、API和机器学习平台与LangChain结合的方法。Wen Yang的教程介绍了OPL，这是一个流行的技术堆栈，它将OpenAI模型（如GPT-4）、Pinecone（一个向量数据库工具）和LangChain结合在一起，并展示了如何利用它来创建具有特定领域知识的聊天机器人。
- 如果你已经构建了一个特定模型的概念验证，并且在尝试将其转化为正式应用程序时感到困惑，Lily Hughes-Robinson将帮助你简明地解释如何重构你的项目，使其适应LangChain。
- 如果你还没有准备好停止尝试，不妨再来一个详细的项目演练？Shuai Guo邀请我们一起跟随建立一个依赖于两个相互通信的聊天机器人的语言学习应用程序的旅程。
一些人可能需要休息一下与大型语言模型有关的一切；我们理解，并且愿意提供帮助！以下是一些值得探索的其他主题的优秀文章：
- 我们以数据科学、机器学习和气候变化的交叉领域开始了一个新的月份，选择了一些发人深省的文章。
- 通常情况下，生成AI音频需要大量的计算资源。Christopher Landschoot的TDS首篇文章展示了如何在笔记本电脑上训练模型和生成声音。
- 多组分析在医疗保健、人力资源、市场营销和其他领域中可以是一个强大的工具。Laura Castro-Schilo的最新贡献是学习在现实场景中实施MGA的好起点。
- 如果你想进行一个技术（但又易于理解的）深入研究，Peggy Chang在开源搜索引擎Lucene的整数编码和压缩背景下提供了一篇扎实的文章。
- 如果你计划扩展你的计算机视觉工具包，Dhruv Matani和Naresh关于PyTorch中图像分割的四部分系列文章将激励你停止拖延，开始编码。
- 作为一名既是数据科学家又是心理学家的视角，Maarten Grootendorst仔细研究了“这些模型的行为方式，我们希望它们如何行为，以及我们如何引导这些模型像我们一样行为”的问题。
感谢您支持我们的作者！如果您喜欢在TDS上阅读的文章，请考虑成为VoAGI的会员——它可以解锁我们的所有存档（以及VoAGI上的所有其他文章）。
直到下一个变量，
TDS编辑