LangChain 只適用於原型設計
「LangChain 不適用於生產環境。」Kogo Tech Lab 的聯合創辦人Praveer Kochhar在2024年的Cypher會議上如此宣稱。他當時正回應一個關於使用LangChain優化基礎設施的問題。
KissanAI的創辦人Pratik Desai更進一步，他在X平台上寫道：「如果你的開發者建議在生產環境中使用LangChain，解僱他們。」這句話雖然大膽，但有多個理由說明為什麼沒有人願意將LangChain用於除原型設計以外的用途。
首要原因是LangChain過於複雜且不必要的抽象層。Ernst & Young Global Consulting Services的AI/ML實施經理Krystian Safjan提到，這些抽象層會導致混淆，特別是對於那些剛接觸LLMs或LangChain的人來說。
這種複雜性也使得將這個庫適應特定用途或與現有工具和腳本集成變得困難。一些開發者甚至稱其為炒作，並建議即使代碼設計正確，可能根本不需要像LangSmith這樣的工具。
複雜性和不穩定性
許多開發者報告稱LangChain有根本性的設計缺陷。一位在Reddit上的開發者表示，這個框架過於複雜且容易出錯。
「我費了很大力氣才讓文檔加載器的依賴項正常工作來解析文件夾中的PDF。結果一切都崩潰了。這是一團糟，簡直是個黑箱。我乾脆避開它。」他進一步補充道。
Octomind，一家軟件公司，發表了一篇詳細的博客文章，解釋為什麼他們放棄了使用LangChain。這個框架的靈活性不足，使得改進底層行為變得困難，而其有意的細節抽象阻礙了編寫底層代碼。
Octomind團隊發現，AI和LLMs的快速變化性使得LangChain難以設計出能經受時間考驗的抽象層。
顯然，LangChain通過在其他抽象層之上引入不必要的複雜性，使其難以理解和調試。
OSCR AI的聯合創辦人Angelina Y說，隨著時間的推移，越來越多人意識到像LangChain和LlamaIndex這樣的框架不適合生產。「實際上成為了萬能但無用的工具！當然，我必須說它們在製作原型方面非常出色，特別是LlamaIndex。」她進一步補充道。
即使是那些嘗試使用LangChain的開發者也發現其靈活性存在問題。一位Reddit用戶提到，他曾使用LangChain構建應用，但整體體驗令人沮喪，特別是在嘗試添加自定義功能時。他最終拆除了所有LangChain組件，並用原生的Python代碼替代它們。
「LangChain是一個學習LLM開發模式的好工具。」他補充道，進一步建議LangChain是一個不錯的選擇，但僅限於學習LLM開發而非擴展性。
開發者更喜歡使用LlamaIndex
LlamaIndex是一個更專注於搜索的替代方案，提供了一個簡單的界面來查詢LLMs並檢索相關文件。它更高效且使用更簡單，使其成為需要處理大量數據的應用的更佳選擇。
在考慮生產環境時，客戶更喜歡LlamaIndex。某位Reddit用戶提到，他的大多數生產客戶更喜歡LlamaIndex。「儘管我們目前僅支持LangChain，但我們看到了支持LlamaIndex的緊迫性。」他進一步補充道。
如果你正在構建一個需要靈活和可擴展的通用應用，那麼LangChain是一個不錯的選擇。
T-Systems的GenAI負責人Zahir Shaikh在他的LinkedIn帖子中提到，如果你正在構建一個需要高效和簡單的搜索和檢索應用，那麼LlamaIndex是更好的選擇。
編輯評論
這篇文章揭示了一個在技術界中常見的問題：過度設計和不必要的複雜性。LangChain的案例提醒我們，簡單和實用性往往勝過花哨但不實用的功能。在香港這個科技迅速發展的城市，開發者應該更加注重工具的實用性和適應性，而不是追逐潮流。LlamaIndex的成功例子表明，簡單的設計和高效的運行才是最終能夠在市場中立足的關鍵。這也提醒我們，在選擇技術方案時，應該更加注重實踐經驗和用戶反饋，而不是僅僅依賴於市場宣傳。
以上文章由特價GPT API KEY所翻譯
