众所周知，一味地学习知识，所学的东西和概念都是空中楼阁，大部分情况下，实战都是很有必要的，今天就通过微调langchain来更深刻地理解它。

中间如何进入到langchain界面请参考结尾视频链接。

首先，进入界面，点击下方设置，我们会看到要选择的精度和模型：

图中值得注意的是右边的Temperature，往左拉是更严谨，往右边拉是更具有创新，简单来说就是越往左，越死板，越往右，越灵活。

如果只是简单的提问，可以像我一样，直接让模型给出答案，比如我让模型续写一句话：

这里我没有给出任何限制，所以模型给出的一直是一个泛泛的例子，如果想要更多，比如我们可以加点限制：

可以看到，给出补充后，续写的内容更饱满，也有了主题。

在最新的langchain-chatchat版本中，我们还可以在左边自由选取不同的知识库，来限定答案的范围，这样，其实就已经是一个简单的从通用到垂直模型的转变了，只是它提前帮我们训练好了而已。但在实际的操作中，我们往往是用我们自己准备好的文件来圈定范围，一是我们所用的专业知识更全面，能够更好地训练模型，使其成为一个垂直于该领域的模型，二是能够减少模型的幻觉带来的错误答案，毕竟其接受的干扰信息更少。但这对我们内部给出的文件要求比较高，也就是我们在学习R语言时所说的数据清洗，在大模型方向明确的情况下，其要投入的精力和资源会更加恐怖。

而像我们前面提到的agent，也是同理，只不过是换成可以指定其指导模型使用对应的工具去查询，我们可以看看制定了用维基百科和不指定的结果：

其实这里我们就能看得出，一个通用的大模型，和我们给了方向和限定的大模型，思考的答案是不一样的，解决问题的方式也不一样，所以，我们使用大模型时就要进行微调，这也是下一章节的内容。

学习来源于B站教程：【进阶篇】05.Chatglm2+langchain（参数调节和配置）_哔哩哔哩_bilibili