LanChain nace hace más de un año y su diseño se orienta a los LLM, propone una framework entero para poder digerir nuevos datos en modelos que ya se encuentran entrenados y no poseen conocimiento moderno.
Langchain permite agregar valor extra a los modelos de lenguaje (como gpt, llama y demás) mediante funcionalidades extra a las que no podemos acceder mediante interfaces gráficas.
La primer gran característica que resalta es la capacidad de resumir contenido, con cadena de summary podemos resumir libros enteros o papers a simples párrafos que contendrán las claves super sintetizadas.
La segunda gran característica es la de preguntas y respuestas, donde gracias al nuevo contexto que podemos dar a estos modelos podemos usarlos para resolver preguntas específicas en formato de consultas gracias a los embeddings y las bases de datos vectoriales.
La tercer y última será la de crear chatbots, donde en esencia manejamos el sistema de pregunta y respuesta agregando un componente de memoria (para recordar contextos de prompts pasados).
Podemos encontrar diferentes casos de éxito de LangChain en el mundo empresarial, donde la implementación del sistema questions→answer de Duolingo ha mejorado la calidad de educación exponencialmente. Otro caso de éxito sería el de la documentación de LangChain, donde podemos usar un motor de búsqueda tradicional o podemos usar un agente implementado en la plataforma que buscará y procesará la query por nosotros. En general cualquier empresa con documentación podría implementar estos sistemas para hacer búsquedas inteligentes, especialmente si el framework es lo suficientemente amplio (como PyTorch o Django).
Langchain (y los LLM en general) ofrecen un valor diferencial en el ahorro de recursos con respecto al tiempo, específicamente en el servicio al cliente, donde peticiones repetitivas podrían ser resueltas mediante agentes de chat.