LangChain est un framework logiciel qui aide à intégrer facilement des grands modèles de langage (LLM) dans des applications.
Il sert principalement à connecter les LLM à des sources de données, comme des documents ou des bases de connaissances.
Les principaux cas d’usage de LangChain sont donc proches de ceux des LLM en général: recherche et synthèse de documents, chatbots, questions-réponses basées sur des données, et analyse de code.
Historique
LangChain a été lancé en en tant que projet open source par Harrison Chase, alors qu'il travaillait pour la start-up Robust Intelligence, spécialisée dans l'apprentissage automatique. En , LangChain s'est constitué en société et la nouvelle start-up a levé plus de 20 millions de dollars de fonds, pour une valorisation d'au moins 200 millions de dollars, auprès de la société de capital-risque Sequoia Capital, une semaine après avoir annoncé un investissement initial de 10 millions de dollars de la part de Benchmark.
Au troisième trimestre 2023, le langage d'expression LangChain (LCEL) a été introduit, qui fournit un moyen déclaratif de définir des chaînes d'actions.
En , LangChain a lancé LangServe, un outil de déploiement permettant d'héberger le code LCEL sous forme d'API prête à l'emploi.
En , LangChain a lancé LangSmith, une plateforme d'observabilité et d'évaluation à code source fermé pour les applications LLM, et a annoncé une série A de 25 millions de dollars menée par Sequoia Capital.[8] Le , la société a lancé la plateforme LangGraph, qui fournit une infrastructure gérée pour le déploiement d'agents IA à état longuement exécutables.
En , LangChain a figuré dans la liste Forbes AI 50.
Dans les deux ans suivant sa création, LangChain gagne en popularité chez les développeurs et entreprises du domaine de l’IA générative. En juillet puis en , l'entreprise lève 100 millions puis 125 millions de dollars, atteignant une valorisation d’environ 1,2 milliard de dollars et rejoignant la catégorie des "licornes" de l’IA,.
Fonctionnalités
Les développeurs de LangChain mettent en avant l’utilisation du framework pour des cas d’usage comme les chatbots, la génération augmentée par récupération (RAG), le résumé de documents et la génération de données synthétiques.
En , LangChain proposait des intégrations avec notamment:
des stockages cloud Amazon, Google et Microsoft Azure;
des connecteurs (wrappers) d’API pour les actualités, les films et la météo;
Bash pour faire du résumé, de la vérification syntaxique et sémantique, et l’exécution de scripts;
plusieurs systèmes et modèles de web scraping;
la création de prompts pour l’apprentissage “few-shot” (avec quelques exemples);
la détection et le résumé de tâches “todo” dans du code;
pour Google Drive (Docs, Sheets, Slides): résumer, extraire et créer des contenus;
la recherche web via Google Search et Microsoft Bing;
des modèles de langage OpenAI, Anthropic et Hugging Face;
l’extraction et la manipulation de texte dans des PDF via PyPDF, pdfminer, fitz et pymupdf;
la génération, l’analyse et le débogage de code Python et JavaScript;
la base vectorielle Milvus pour stocker et retrouver des embeddings;
des fonctions de mise en correspondance de texte pour une recherche k-plus-proches-voisins (k-NN);
le traçage et l’enregistrement d’informations d’exécution dans des sous-processus threadés et asynchrones;
l’accès au site et au SDK Wolfram Alpha.
En , LangChain pouvait lire plus de 50 types de documents et de sources de données.
Notes et références
(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé «LangChain» (voir la liste des auteurs).
