面向AI框架编程--引言&简介
引言
随着GPT在近一年的爆火（当前2024年1月10日），很多行业和打工人都受到了前所未有的冲击，国内众多互联网巨头在看到直接使用GPT毫无希望的情况下，都投入巨大精力开发属于自己的大模型，一方面是不想被所谓卡脖子的优良传统想法，一方面也是无法直接使用GPT的无奈之举。而打工人也开始变得两极分化，有快速接受能力的打工人持续使用一年后，工作生活已经完全离不开自己的“爹”，而固步自封的打工人依然认为GPT和元宇宙一样虚无缥缈，是资本家圈钱的工具，几乎没有使用的想法。GPT出现后，大厂们的态度和打工人的两级分化，是之前元宇宙所没有的，GPT更像是前几次工业革命，打工人的生产力进一步被释放，资本家像闻到血腥味一样纷纷下场，人与人的思想眼光见识知识被进一步扩大。当然，GPT到目前为止，也出现了5G大火时的“尴尬期”，众所周知，5G截至目前改变的只有赛博顶真的生活，那么GPT是不是会像5G一样随着尴尬期的结束就是退潮，还是会像法拉第发现电磁感应之初那样，一个天才婴儿已经诞生于人类社会。
GPT目前处于所谓的“尴尬期”，一方面原因是因为最有研发能力的大厂前期有观望，前期大都在卷出自己的大模型，甚至不惜录屏抢首发，宣传上各显神通；另一方面是大厂尾大不掉，不可能迅速的进入市场。以及上文中提到的打工人也是两极分化严重，而在非常善于使用GPT这方面人中，能够使用GPT API，并且能够系统的学习后进行落地的人，更是少之又少，这给很多人提供了充足的时间去入场发育。我认为尤其是互联网行业的人，尤其是测试开发，务必需要快速接受GPT，并且能尝试进行落地，GPT明显对于这个行业出现了最为巨大的冲击。
首先这里提到的测试开发，有工具开发能力，并且工作上有时间去设计开发工具的测试开发，而不是被互联网招聘冠以测试开发名头，招进来的偏管理的QA。之所以是测试开发，是因为以下几点原因：
开发工具：
目前日常小脚本GPT4写出来的大部分可以直接用，大的工具上各种思路和开发细节都可以去询问GPT，创新性的开发更应该是，笔者甚至和GPT在交流过程中沟通出全新的算法解决了实际问题；
GPT的自然语言理解能力，几乎释放了原来在人机交互上的设计，可以投入更多的精力和时间到工具核心开发上；
工具推广难的问题，由于GPT可以与人沟通，降低了工具的使用门槛，只要能描述自己想要干啥，就能正常使用工具；
项目组开发维护：
GPT凭借强大的知识储备，项目组日常出现的几乎所有问题，都可以通过正确的询问得到解答，笔者因为prompt写的好，多次利用GPT帮组内人员解决日常问题，比如svn，工具运行报错等，效率比谷歌搜索快上n倍；
流水线问题定位，项目组需要一个BM的角色，在游戏项目组是打包的运维，都是大家不太情愿去做的工具，维持整个组CI和CD流程的顺利进行，有了GPT的加持，该角色几乎可以使用大量的GPT自动化工具去释放人力；
以上主要是测试开发在工具开发运维方向，很多人说如果这样说程序员不是被淘汰的更快，并不是这样，GPT能力强大在于它的知识在结合了上下文之后，能力远远超过了你，但是空有知识没有上下文加持，也只是学术上的孔乙己罢了，茴字有再多写法也不是一个小伙计需要的，所以对于核心在于上下文的程序来说，并且这种上下文的prompt实现难度，不可能短时间内被替代。但是测试开发不同，所开发的工具上下文几乎不超过1k，运维的知识储备和简单的prompt，都决定了如果再不快速接受GPT，很快会被通用化的GPT工具逐步取代。当然也不能走太快，笔者认为对于已经有较多GPT使用经验和知识学习的测开来说，将现有工具改造接入到GPT中，是最快速成本最低且最有效果的一种方法，同时如果能和领导沟通，得到一些继续解决的问题会更好。
需求
上文提到，我们需要一种使得我们工具接入GPT并且变的只能化的方案，也就是说利用GPT强大的自然语言理解能力，成为工具和用户沟通的桥梁。构建这座桥梁其实方法有很多，如果工具量级比较少，使用GPT提到的函数调用功能即可接入，如果工具较多，那就需要一个框架来承载，GPT并没有提供类似更复杂的框架功能，如果我们自己开发这套框架，核心功能也比较简单，围绕GPT的函数调用功能为核心，实现prompt，工具集管理，以及交互功能即可。目前市场上已经有能够满足上述功能的框架，而且接入也比较简单，就是后续我们会一直围绕开发的LangChain框架和微软开源的Semantic Kernel
举一个实际的例子，由于GPT不能实时联网，为了实现和GPT聊天过程中获取今天天气的功能，笔者使用函数调用的办法实现了一个获取天气的功能。因为只是为了解释函数调用的功能，所以笔者更多的是介绍GPT如何调用函数，很多功能都简化或者忽略处理了，比如只能解决天气一个问题。如果此时想增加更多更复杂的功能，笔者写的demo基本上完全不可以实际应用，比如将目前我们小组很多功能改造接入GPT，那就需要功能分化，每一个功能都需要描述功能和接口，那就需要将所有功能进行分类，然后再增加获取功能描述的接口来做。实际上我们想做的核心是想让我们更多的功能智能化，然后却在和大语言模型交互上浪费了大量的精力去开发和设计。而且这种问题不仅仅只有笔者有，很多为了将大模型落地的同学都会有这种问题，成本过高导致大模型迟迟不能在自己组内落地，这就是语言模型应用开发框架的优势，解决了现在开发人工智能应用的一些切实痛点，所以如果想要大模型落地，语言模型应用开发框架是一个无法绕开的技术，LangChain和Semantic Kernel就是其中之二。
LangChain简介
LangChain是一个基于语言模型开发应用程序的非常著名的框架，它可以将语言模型和外部书连接起来，同时也允许语言模型与其环境进行交互，LangChain提供了构建基于大模型的AI应用所需的模块和工具，大大降低了AI应用开发的门槛，使得任何人都可以基于GPT-4等大模型构建自己的创意应用。整体来说可以看作是大语言模型作为地基，LangChain在其基础上建设了一座房子，我们需要做的不再是躺在大语言模型上玩泥巴，而是可以在LangChain建设的房子里装修出自己的家。
目前（2024年1月15日）已经正式发布了0.1版本，也就是LangChain v0.1.0，也是该框架首个稳定版本，同时官方也在该版本中增加了很多功能：LangChain v0.1.0
LangChain官方已经有比较系统的文档：LangChain_introduction，由于从创建到现在只有短短1年时间，虽然已经是比较主流的框架，但是相对学习资料目前还没有太多，一方面是时间确实过短，另一方面是官方更新的速度过快，可能1个月前的学习资料可能已经无法直接用来抄作业了，所以最好的学习方法建议是直接阅读官方提供的英文文档，国内的中文文档可能会稍微落后官方文档几个版本LangChain 中文文档