要想使用向量数据库的相似性搜索，存储的数据必须是向量，那么如何将高维度的文字、图片、视频等非结构化数据转换成向量呢?这个时候就需要使用到Embedding嵌入模型了，例如下方就是Embedding嵌入模型的运行流程:Embeding模型是一种在机器学习和自然语言处理中广泛应用的技术，它旨在将高纬度的数据(如文字、图片、视频)映射到低纬度的空间。Embedding向量是一个N维的实值向量，它将输入的

检索增强生成(RAG)是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。大型语言模型(LLM)用海量数据进行训练，使用数十亿个参数为回答问题、翻译语言和完成句子等任务生成原始输出。在LLM本就强大的功能基础上，RAG将其扩展为能访问特定领域或组织的内部知识库，所有都无需重新训练模型。是一种经济高效地改进LM输出的方法，让它在各种情境下都能保持相关性、准确性和实

大语言模型在处理自然语言时，有时会出现幻觉，表现为回答不准确或前后不一致的问题。

在使用 LangChain 开发的时候，某些场合我们希望在一个 Runnable 可运行队列中调用另一个 Runnable，并传递一些常量参数，但是这些参数不是前一个 Runnable 的输出的一部分，也不是用户输入的一部分，而是某个 Runnable 组件的一部分参数。我们就可以考虑使用 Runnable.bind() 来传递这些默认参数。bind() 函数用于修改 Runnable 底层的默认

在许多编程语言和库中，Chain 通常用来描述一系列的操作或函数，这些操作或函数按照特定的顺序依次执行，前一个操作的输出会作为后一个操作的输入。这种模式也被称为管道（Pipeline）或链式调用（Chain Calling）。

在 LangChain 中使用缓冲记忆组件要不就保存所有信息（占用过多容量），要不就保留最近的记忆信息（丢失太多重要信息），那么有没有一种情况是既要又要呢？所以折中方案就出现了 —— 保留关键信息（重点记忆），移除冗余噪音（流水式信息）。ConversationSummaryMemory，摘要总结记忆组件，将传递的历史对话记录总结成摘要进行保存（底层使用 LLM 大语言模型进行总结），使用时填充的

在 LangChain 中使用缓冲记忆组件要不就保存所有信息（占用过多容量），要不就保留最近的记忆信息（丢失太多重要信息），那么有没有一种情况是既要又要呢？所以折中方案就出现了 —— 保留关键信息（重点记忆），移除冗余噪音（流水式信息）。ConversationSummaryMemory，摘要总结记忆组件，将传递的历史对话记录总结成摘要进行保存（底层使用 LLM 大语言模型进行总结），使用时填充的

除了将消息传递给LLM,还可以将消息进行总结，每次只传递总结的信息，而不是完整的消息。这种模式记忆对于较长的对话最有用，可以避免过度使用token,因为将过去的信息历史以原文的形式保留在提示中暂用太多Token。无论是长期还是短期的互动都可以记忆（模糊记忆）减少长对话中使用Token的数量，能记忆更多轮的对话信息。长对话时效果明显，虽然最初使用Token数量较多，随着对话进行，摘要方法增长速度减慢

为了尽可能简化创建自定义链，LangChain 官方实现了一个Runnablestream：将组件的响应块流式返回，如果组件不支持流式则会直接输出。invoke：调用组件并得到对应的结果。batch：批量调用组件并得到对应的结果。astreamstream的异步版本。ainvokeinvoke的异步版本。abatchbatch的异步版本。：除了流式返回最终响应块之外，还会流式返回中间步骤。除此之外

虽然整体的问题已经回答了，但是返回的内容都是一个字符串，并不是结构化的数据，某些场合下我们需要的仅仅是对应的返回值，而不是多余的内容，就需要对返回的内容进行结构化、格式化或者解析。例如下方为修改后的提示，尽可能先让大语言模型按照特定的规则输出内容，然后再进行解析因此，如果需要 LLM 理解你想要的格式，需要向 LLM 告知要输出的结构信息，当 LLM 进行推理并输出之后，我们需要对 LLM 约定的