أحدث إصدار لفريق LangChain: يسمح LangSmith ، وهو عبارة عن منصة تطوير تطبيقات نموذجية واسعة النطاق ، بوضع LLM في تطبيق حقيقي

يجب أن تكون Langchain ، التي تلقت تمويلًا بقيمة 10 ملايين دولار أمريكي في شهر مارس ، معروفة للجميع. كإطار تطوير متكامل مفتوح المصدر ، يمكن أن تساعد المستخدمين على بناء نموذج أولي لتطبيق LLM بسرعة. ومع ذلك ، لا يزال هناك طريق طويل لنقطعه من نماذج نماذج LLM البسيطة إلى تطبيقات الإنتاج الفعلية. ** في 18 يوليو ، واصلت Langchain إطلاق منصة تطوير التطبيقات واسعة النطاق LangSmith ، على أمل السماح للمطورين ببناء تطبيق LLM سريعًا يمكن وضعه في بيئة الإنتاج الفعلية. **

المصدر الأصلي: التفكير العميق SenseAI

مصدر الصورة: تم إنشاؤه بواسطة Unbounded AI‌

لا يزال دعم الأدوات لنماذج اللغات الكبيرة (LLMs) في مهده. نظرًا لطبيعة LLM وطبيعته الديناميكية ، غالبًا ما تكون أدوات البرامج التقليدية غير قادرة على تلبية احتياجات هذه النماذج بشكل كامل.

هذا هو المكان الذي يأتي فيه LangChain و LangSmith.

في هذا المنشور ، سوف نستكشف أحدث العروض المقدمة من الفريق الذي أنشأ Langchain (أشهر أداة برمجية LLM) وننظر في المشكلات الجديدة التي يأمل LangSmith في حلها في حزمة LLM.

** 01. ما هو لانغسميث؟ **

عندما تم إنشاء Langchain في الأصل ، كان الهدف هو تقليل الحاجز أمام الدخول لبناء نماذج LLM. بينما كان هناك بعض الجدل حول جدوى Langchain كأداة ، فقد حققت هذا الهدف إلى حد كبير. بعد حل مشكلة النماذج الأولية ، تكمن المشكلة التالية في مساعدة هذه التطبيقات في التطوير والتأكد من تنفيذها بطريقة موثوقة وقابلة للصيانة. العقلية البسيطة هي:

Langchain = نموذج أولي

LangSmith = التطبيق

** ولكن ما هي التحديات الأقل أهمية في وضع النماذج الأولية والتي يجب معالجتها في التنمية؟ **

الموثوقية - من السهل إنشاء وظائف تعمل مع أمثلة بسيطة ومقيدة ، ولكن إنشاء تطبيق LLM متسق يلبي متطلبات معظم الشركات أمر صعب للغاية في الواقع.

لمعالجة هذا الأمر ، يوفر LangSmith وظائف جديدة حول الركائز الأساسية الخمسة التالية:

• التصحيح
• امتحان
• يقيم
• يراقب
• مقاييس الاستخدام

إحدى القيم العظيمة لـ LangSmith هي القدرة على أداء كل هذه العمليات من خلال واجهة مستخدم بسيطة وبديهية ، مما يقلل بشكل كبير من حاجز الدخول للمطورين الذين ليس لديهم خلفية برمجية.

العديد من ميزات LLM ليست بديهية من وجهة نظر رقمية ، لذا فإن الواجهة المرئية ستكون مفيدة للغاية. وجد المؤلفون أن وجود واجهة مستخدم جيدة التصميم يمكن أن يؤدي في الواقع إلى تسريع النماذج الأولية والعمل مع المستخدمين ، نظرًا لأن القيام بكل شيء باستخدام رمز فقط يمكن أن يكون مملاً في كثير من الأحيان.

أيضًا ، القدرة على تصور العملية وسلسلة الأوامر المعقدة لنظام LLM مفيد جدًا في فهم سبب حصولك على ناتج معين. نظرًا لأن المستخدمين يبنون تدفقات عمل أكثر تعقيدًا ، فقد يكون من الصعب فهم كيفية تمرير الاستعلامات من خلال عمليات مختلفة بالضبط ، لذا فإن القدرة على عرض هذه العمليات وتسجيل البيانات التاريخية من خلال واجهة بسيطة ستكون خدمة ذات قيمة مضافة ممتازة.

** 02. من يتنافس مع LangSmith؟ **

على الرغم من عدم كونه منافسًا مباشرًا بعد ، فمن المنطقي أن تقوم منظمة مثل Vercel (مع AI SDK) بطرح قدرات مماثلة لتصبح منصة go-to لمنشئي الذكاء الاصطناعي. في الأشهر الثلاثة إلى الستة المقبلة ، نظرًا لإمكانيات السوق الهائلة لهذه الأدوات ، من المتوقع أن تطلق منصات أخرى أدوات مماثلة.

** حاليًا ، يركز Vercel بشكل أكبر على نشر LLM وخدماته ، حيث يتناسب هذا بشكل أفضل مع منتجهم الأساسي التاريخي ، ولكن على المدى الطويل ، من المنطقي توسيع AI SDK. **

بينما لا يبدو أن LangSmith منخرط بعمق في التكنولوجيا المضمنة حتى الآن ، يبدو أن هناك الكثير من التقاطعات الطبيعية في هذه المنطقة ، مع وجود اختلافات عن العديد من المزودين المضمنين الذين يقدمون واجهات مستخدم مدمجة. ستستفيد الأنظمة البيئية مثل LlamaIndex من هذا النوع من تطوير المنتجات ، ولكن السؤال هو ما إذا كان يمكن أن تظل متمايزة في مساحة مشكلة مماثلة.

ومع ذلك ، من الجيد رؤية LangSmith لا يزال يريد الاتصال بأكبر عدد ممكن من الأدوات. في منشور المدونة المنشور ، ذكروا التكامل مع OpenAI s ، بالإضافة إلى العديد من موفري الضبط الدقيق ، مما سيسمح للمطورين بتصدير البيانات والتدريب مباشرة. يبدو أن هذه الأنواع من عمليات الدمج لن تجلب الكثير من الثناء على المطورين فحسب ، بل ستعمل أيضًا بمرور الوقت كحاجز حماية خفيف الوزن (ربط الأدوات المختلفة ليس بالأمر السهل دائمًا).

** 03. كيف نما لانغسميث؟ **

المؤلف يريد بشكل أساسي أن يكون قابلاً للتوسعة. لأنه إذا كان من الممكن دمج LangSmith في تطبيقات وخدمات أخرى ، فقد ينمو انتشاره بشكل كبير. على سبيل المثال ، السماح للمطورين بتسجيل الدخول باستخدام حسابات LangChain ومراقبة LLMs الخاصة بهم على Vercel ، جنبًا إلى جنب مع AI SDK ومعلومات النشر ، سيكون أمرًا ذا قيمة كبيرة.

** ما هو المطلوب للمحافظة على التمايز على المدى الطويل؟ **

المؤلف متحمس للغاية بشأن LangSmith ، ويعتقد أنه يحل سلسلة من المشكلات الحقيقية التي يواجهها المطورون وبناة المنتجات عند محاولتهم الانتقال إلى الإنتاج. يبقى السؤال الحقيقي طويل الأمد: "هل هناك محتوى كافٍ لبناء عمل تجاري تنافسي طويل الأمد". **

لكن المؤلف ليس لديه إجابة واضحة الآن ، الفكرة العامة الآن هي أن العديد من وظائف LangSmith الحالية هي شروط ضرورية للمطورين. يأمل معظم موفري LLM في دمج وظائف مماثلة في أنظمتهم الأساسية في المستقبل. لكن هذا لا يعني أن لانج سميث لا ينجح. ما عليك سوى إلقاء نظرة على Terraform من HashiCorp ، وهو الغراء الذي يربط جميع مزودي الخدمات السحابية ويحل مشكلة كبيرة بما يكفي لتصبح شركة عامة. ومع ذلك ، تحتاج LangSmith إلى الاستمرار في توسيع نطاق وصولها من أجل التنافس مع العديد من المزودين ونظام بيئي للأدوات الأخرى.

مراجع