首先我们要知道，嵌入的结果是就是一个向量，它本质上是一个数字列表（一维数组）。例如：嵌入结果得到的列表长度是固定的，称为向量的“维度”。例如，OpenAI 的 text-embeddingada-002 模型会生成一个 1536 维的向量， text-embedding-3-large 模型会生成一个 3072 维的向量。维度越高，通常能捕捉更细微的语义信息，但也需要更多的计算和存储资源。想象一个

你已经用 PyPDFLoader 把 PDF 加载成了 Document 对象。一个 Document 可能包含一整页甚至整个文件的文本。直接拿整个文档去检索有三大问题：文本分割器的任务就是：把大文档切成小块，每块语义相对完整，大小可控。一个 Document（整篇 MD 文件）│▼文本分割器│N 个 Document（每个小块都是一个 Document，保留原始 metadata）我们已经知道可

我们将重点放在 RAG 阶段（Retrieval-Augmented Generation，检索增强生成）。这是当前大语言模型应用的核心模式。RAG 的流程相对复杂，为了更好的理解 RAG，我们先用 AI 搜索来引出 RAG。• 对于【AI 大模型】来说，它最擅长的是语义理解和文本总结，最不擅长的就是获取实时的信息。因为大模型的训练数据是有截止日期的！• 对于【搜索引擎】来说，它最擅长的就是获取实

快速简单的解释一下输出解析器到底解决什么问题：每次都要 .content 很烦，而且如果你想把模型输出传给下一个环节（比如存入数据库），你需要的是纯字符串。

快速简单的解释一下输出解析器到底解决什么问题：每次都要 .content 很烦，而且如果你想把模型输出传给下一个环节（比如存入数据库），你需要的是纯字符串。

我要让模型学会什么任务？然后用一个列表，把“输入→输出”的例子写出来。python{"input": "用户会说的话", "output": "模型应该回答的话"},为什么先做这一步？因为示例是少样本提示的灵魂。你的示例质量，直接决定了模型学得好不好。花时间打磨示例，比改代码更重要。用一个每个示例应该按什么格式转换成聊天消息？python("user", "{input}"),# 用户角色，取示例

我要让模型学会什么任务？然后用一个列表，把“输入→输出”的例子写出来。python{"input": "用户会说的话", "output": "模型应该回答的话"},为什么先做这一步？因为示例是少样本提示的灵魂。你的示例质量，直接决定了模型学得好不好。花时间打磨示例，比改代码更重要。用一个每个示例应该按什么格式转换成聊天消息？python("user", "{input}"),# 用户角色，取示例

每条消息都有一个角色和内容，以及因 LLM 的不同而不同的附加元数据。：用来区分对话中不同类型的消息，并帮助聊天模型了解如何响应给定的消息序 列。表示多模态数据 （例如，图像、音频、视频）的消息文本或字典列表的内 容。内容的具体格式可能因底层不同的 LLM 而异。目前，大多数模型都支持文本作为主要内容类 型，对多模态数据的支持仍然有限。• 消息其他元数据 (Additional metadata)

• 多进程通常利用的是多核 CPU 的优势，同时执行多个计算任务。每个进程有自己独立的内存管 理，所以不同进程之间要进行数据通信比较麻烦。• 多线程是在一个 cpu 上创建多个子任务，当某一个子任务休息的时候其他任务接着执行。多线程 的控制是由 python 自己控制的。线程存在数据同步问题，所以要有锁机制。• 协程的实现是在一个线程内实现的，相当于流水线作业。由于线程切换的消耗比较大，所以对于

大语言模型 （LLM） 在各种与语言相关的任务（例如文本生成、翻译、摘要、问答等）中表现出色。现代 LLM 通常通过聊天模型接口访问，该接口将消息列表作为输入，并返回消息作为输出，而不是使 用纯文本。LLM 与 LangChain 中 聊天模型 的关系：• 在 LangChain 的官方文档中，认为 LLM 大多数是纯文本补全模型。这些纯文本模型封装的 API 接 受一个字符串提示作为输入，并输出