در جامعه توسعهدهندگان مدلهای زبان بزرگ (LLM)، یک رویکرد پیشفرض وجود دارد: پروژهها معمولاً با فراخوانی مستقیم API به مدلهای هوش مصنوعی آغاز میشوند و با گسترش و پیچیدگی بیشتر پروژه، توسعهدهندگان به سمت استفاده از فریمورکهای ارکستراسیون مانند LangChain و LlamaIndex حرکت میکنند.
این تغییر مسیر، به آنها کمک میکند تا ساختاردهی و مدیریت تعاملات پیچیده با LLMها را به شکلی کارآمدتر و مقیاسپذیرتر انجام دهند و از این طریق، چالشهای توسعه پروژههای هوش مصنوعی را بهینهسازی کنند.