组件类型是否依赖 LLM主要作用优势局限稀疏关键词检索否精确关键词匹配快速、可解释无语义理解混合检索框架否（但可集成 LLM 检索器）融合多种检索结果兼顾精度与泛化需调权重、去重查询扩展增强器是扩展用户查询，提升召回解决模糊查询依赖 LLM 成本/质量。

HumanMessage(content='今天上海的天气怎么样?', additional_kwargs={}, response_metadata={}, id='ef338c50-e6bf-4726-887e-7c4ad8699726')LangChain 的。

如果你使用的是 GPT-3.5/4、Claude 3 等先进模型：请优先使用。它是现代的标准，错误率更低，体验更好。如果你使用的是早期的开源模型（如 Llama-2, Vicuna）或者模型不支持 API 级别的工具调用：你需要使用（或者），通过提示词技巧来强制模型调用工具。

和是 LangChain 中用于创建的两个不同函数，它们代表了。

是 LangChain 中实现短期对话记忆的最简单方式，适用于单次会话内的上下文保持。只需几行代码，就能让 AI 记住你说过的话！控制历史长度→ 用节省 token→ 用多用户持久化→ 用。

特性Redis 示例MySQL 示例存储类型内存数据库（快速读写）关系型数据库（结构化、持久）适用场景缓存、实时性强的应用需要事务、备份、审计的场景部署要求安装 Redis 服务安装 MySQL 并配置权限扩展性易于集群扩展支持主从复制、分库分表数据结构简单键值对表格形式，支持 JOIN 查询自动建表❌✅（首次运行时自动创建）通过结合或，可以在 LangChain 中轻松实现基于会话的长期记忆功能

少样本提示（Few-shot Prompting）是一种通过在提示中提供少量“输入-输出”示例（即“few-shot examples”），来引导大语言模型（LLM）按照指定风格或逻辑回答新问题的技术。特性（文本）（聊天）适用模型OllamaLLMOpenAI非聊天接口ChatOllamaChatOpenAI输入类型str格式化方法.format()示例格式是否支持角色不支持支持 system/h

模型类型推荐输入格式对应模板类BaseLLM（如OllamaLLMstr或（如ChatOllama或最佳实践不要混用：不要把列表传给，会报错。统一接口：若不确定模型类型，可通过让 LangChain 自动处理转换。

维度SFTRL对抗训练数据需求高质量标注数据奖励函数/偏好对原始数据 + 梯度计算泛化能力弱（易记忆）强（可迁移策略）局部鲁棒，语义泛化有限训练稳定性高中~低（依赖超参）中（可能降低主任务性能）计算成本低~中高（需环境交互）中（需额外前向/反向）适用任务单步、确定性任务多步、决策性任务安全/鲁棒性敏感任务GRPO 是 RLHF 范式的一次重要演进利用组内相对偏好替代绝对奖励；简化训练流程，减少超参

由于小目标具有较小的尺寸和低分辨率，它们往往更加难以检测和定位。