本课程由哈里森·蔡斯 (Harrison Chase，LangChain作者）与Deeplearning.ai合作开发，课程将介绍如何使用LangChain和自有数据进行对话。
大语言模型(Large Language Model, LLM), 比如ChatGPT, 可以回答许多不同的问题。但是大语言模型的知识来源于其训练数据集，并没有用户的信息（比如用户的个人数据，公司的自有数据），也没有最新发生时事的信息（在大模型数据训练后发表的文章或者新闻）。因此大模型能给出的答案比较受限。
如果能够让大模型在训练数据集的基础上，利用我们自有数据中的信息来回答我们的问题，那便能够得到更有用的答案。
在本课程中，我们学习如何使用LangChain和自有数据进行对话。
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。LangChain的组件包括：
- 提示(Prompts): 使模型执行操作的方式。
- 模型(Models)：大语言模型、对话模型，文本表示模型。目前包含多个模型的集成。
- 索引(Indexes): 获取数据的方式，可以与模型结合使用。
- 链(Chains): 端到端功能实现。
- 代理(Agents): 使用模型作为推理引擎
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。如果你想要了解关于LangChain的基础知识，可以学习使用 LangChain 开发基于 LLM 的应用程序课程（LangChain for LLM Application Development）。
在本课程中，我们将重点介绍LangChain常见的使用场景：使用LangChain和自有数据进行对话。我们首先会介绍如何使用LangChain文档加载器 (Document Loader)从不同数据源加载文档。然后，我们学习如何将这些文档切割为具有语意的段落。这步看起来简单，不同的处理可能会影响颇大。接下来，我们简要介绍语义搜索（Semantic search），以及信息检索的基础方法 - 对于的用户输入的问题，获取最相关的信息。该方法很简单，但是在某些情况下可能无法使用。我们将分析这些情况并给出解决方案。最后，我们介绍如何使用检索得到的文档，来让大语言模型(LLM)来回答关于文档的问题。
最后特别感谢对本课程内容贡献者
- Ankush Gola（LandChain）
- Lance Martin（LandChain）
- Geoff Ladwig(DeepLearning.AI)
- Diala Ezzedine(DeepLearning.AI)