2、数据流入：question->data_transform_chain->prompt (“回答问题：{clean_question}”)->model->格式转换。question我理解就是占位符，将“缅因猫掉毛怎么办”传入到step1当中，过LLM处理后解析格式，然后将输出结果传入到key_words，作为step2 的入参。语法：RunnableBranch( (条件函数, 子链), 默

2、数据流入：question->data_transform_chain->prompt (“回答问题：{clean_question}”)->model->格式转换。question我理解就是占位符，将“缅因猫掉毛怎么办”传入到step1当中，过LLM处理后解析格式，然后将输出结果传入到key_words，作为step2 的入参。语法：RunnableBranch( (条件函数, 子链), 默

这里插个题外话，我自己原来想的是，上下文越长的，玩起来越有沉浸感。换句话说，只要token_counter的后面为len就是信息条数，非len就是计算token数，如果想要快速计算token就用count_tokens_approximately。另外，长记忆提示词可以做一些修改，因为原版长记忆提示词只记录用户的行为，关键NPC出现了明显变化则记不住，经常导致很久之前把A NPC杀了或者怎样，后面

这里插个题外话，我自己原来想的是，上下文越长的，玩起来越有沉浸感。换句话说，只要token_counter的后面为len就是信息条数，非len就是计算token数，如果想要快速计算token就用count_tokens_approximately。另外，长记忆提示词可以做一些修改，因为原版长记忆提示词只记录用户的行为，关键NPC出现了明显变化则记不住，经常导致很久之前把A NPC杀了或者怎样，后面

想利用空余时间进行大模型的离线部署微调与开发的学习，相关经验积累于博客中，与君共勉。