在复杂的 LLM 应用开发中，特别涉及流程编排和多次 LLM 调用时，每次的 Prompt 设计都取决于前一个步骤的大模型输出。如何避免大语言模型的”胡说八道”，以提高大语言模型输出的可靠性和稳定性，成为一个具有挑战性的问题。在开发应用的过程中，我发现了微软推出的开源项目 guidance，能够很好地解决这一繁琐问题，本篇文章对此进行详细说明。

The Connector 每周会选取我从信息流里获取的有价值内容，包括 AI 探索专题、Github 开源库推荐、工具介绍和一些文章书籍等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。

基于大语言模型构建的应用想要进行快速展示，相比自行搭建云服务器环境，使用一个成熟的 PaaS 平台，辅以集成的开发工具，不仅降低部署难度，也让 LLM 应用的开发者脱离底层细节，更能把精力放在创新应用上，加速从原型到上线的过程。本文将探讨几个带有免费计划的 PaaS 平台及其优缺点，为 LLM 应用开发者提供一份参考。

The Connector 每周会选取我从信息流里获取的有价值内容，包括 AI 探索专题、Github 开源库推荐、工具介绍和一些文章书籍等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。

The Connector每周会选取我从信息流里获取的有价值内容，包括AI探索专题、Github开源库推荐、工具介绍和一些文章书籍等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。

The Connector每周会选取我从信息流里获取的有价值内容，包括但不限于小众产品介绍、AI应用探索、Github开源库推荐以及论坛社区的优质文章等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。

这篇文章是关于智能阅读助手 ReaderGPT 开发过程的记录，尽管本地玩了很多项目 demo，AutoGPT、JARVIS (HuggingGPT) 、知识库之类的，但一直未正式开发一个端到端服务。直到上个月申请到 Azure OpenAI，我想是时候开发一个完整的应用了，可以给朋友直接上手使用，并且确实可以大幅节省时间的工具，所以才有了这个和信息处理相关的智能阅读助手，我将从需求思考，应用架构，功能特性及后续迭代计划四部分来进行说明。

The Connector每周会选取我从信息流里获取的有价值内容，包括但不限于小众产品介绍、AI应用探索、Github开源库推荐以及论坛社区的优质文章等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。

我的从零开始学 LangChain系列还没更完，感觉就要快被策反了 🤣，最近炒的很火的 我为什么放弃了 LangChain？，算是代表社区和广大开发者进行了一次大吐槽。LangChain 确实和 OpenAI 耦合的太紧导致扩展性较差，也存在过度封装以及调试困难的问题，但我的观点是在更成熟的框架出来之前，刚开始接触 LLM 应用开发的同学还是应该看看 Langchain，它运用 Prompt Engineering 的思想很值得借鉴，不过 LLM 应用开发的老司机确实该换工具了 🤡，这篇就给大家介绍下这款号称要替代 LangChain 的 AutoChain。

The Connector每周会选取我从信息流里获取的有价值内容，包括但不限于小众产品介绍、AI应用探索、Github开源库推荐以及论坛社区的优质文章等，目标是链接互联网上的优质内容，获得更多的灵感和知识，从而激发彼此的创造力。