5.在做语义检索时，通过milvus内置的检索算法，可以检索到相关的向量及其他内容。4.将通过embedding model获取到的向量存储到collection中。2.定义Collection的schema信息（数据结构，有哪些字段）3.定义构建索引的逻辑，加速数据查询。1.构建Collection。

Source：多种类型的数据源：视频、图片、文本、代码、文档等。Load：将多源异构数据统一加载为文档对象。Transform：对文档进行转换和处理，比如将文本切分为小块。Embed：将文本编码为向量。Store：将向量化后的数据存储起来。Retrieve：从文本库中检索相关的文本段落。

RAG（Retrieval-Augmented Generation，检索增强生成）就是其中一种被广泛研究和应用的优化架构。①RAG的优点：相比提示词工程，RAG 有更丰富的上下文和数据样本，可以不需要用户提供过多的背景描述，就能生成比较符合用户预期的答案。相比于模型微调，RAG 可以提升问答内容的时效性和可靠性。在一定程度上保护了业务数据的隐私性。②RAG的缺点：由于每次问答都涉及外部系统数据检

Runnable 接口是使用 LangChain 组件的基础，它在许多组件中实现，例如语言模型、输出解析器、检索器、编译的 LangGraph 图等。Runnable 接口强制要求所有 LCEL 组件实现一组标准方法：将单个输入转换为输出批量将多个输入转换为输出从单个输入生成流式输出LCEL 创建的 Runnable 为“链”，“链”本身就是 Runnable。

Source：多种类型的数据源：视频、图片、文本、代码、文档等。Load：将多源异构数据统一加载为文档对象。Transform：对文档进行转换和处理，比如将文本切分为小块。Embed：将文本编码为向量。Store：将向量化后的数据存储起来。Retrieve：从文本库中检索相关的文本段落。

Source：多种类型的数据源：视频、图片、文本、代码、文档等。Load：将多源异构数据统一加载为文档对象。Transform：对文档进行转换和处理，比如将文本切分为小块。Embed：将文本编码为向量。Store：将向量化后的数据存储起来。Retrieve：从文本库中检索相关的文本段落。