Langchain基础认知
Langchain自身并不开发LLMs，核心理念为各种LLMs实现通用的接口
主要组件：
Models,Prompts,Memory,Indexes,Chains,Agents
Models:
三种：LLMs,ChatModels,Embeddings Models
Prompts:
zero-shot,few-shot
Chains:
在LangChain中，Chains描述了将LLM与其他组件结合起来完成一个应用程序的过程
Agents:
为什么借助第三方库：
大模型虽然非常强大，但是也具备一定的局限性，比如不能回答实时信息、处理数学逻辑问题仍然非常的初级等等。因此，可以借助第三方工具来辅助大模型的应用。
Memory:
大模型本身不具备上下文的概念，它并不保存上次交互的内容，ChatGPT之所以能够和人正常沟通对话，因为它进行了一层封装，将历史记录回传给了模型。 因此 LangChain 也提供了Memory组件, Memory分为两种类型：短期记忆和长期记忆。短期记忆一般指单一会话时传递数据，长期记忆则是处理多个会话时获取和更新信息。
Indexes:
是让LangChain具备处理文档处理的能力，包括：文档加载、检索等。
文档加载器：可以把各种类型的文件转换为文本
文本分割器：由于模型对输入的字符长度有限制，我们在碰到很长的文本时，需要把文本分割成多个小的文本片段。 文本分割最简单的方式是按照字符长度进行分割，但是这会带来很多问题，比如说如果文本是一段代码，一个函数被分割到两段之后就成了没有意义的字符，所以整体的原则是把语义相关的文本片段放在一起。
VectorStores: 一种特殊类型的数据库，存储由嵌入创建的向量，提供相似查询的功能
检索器：一种便于模型查询的存储数据的方式