第二节对于人工智能模型中的语言模型的介绍，本质是大规模的预测工具，训练都基于海量投喂数据语言，不具备独立思维及理解。Langchain提供模块化组件适合各种水平的开发者，支持python和java script。同时Langchain是llm框架，基于llm库，简化llm的开发和调用，利用llm来预测，推理。
如果电脑配置了java环境可以跟着课程中提供的代码配置安装Langchain。配置时我们发现不止单装Langchain，同时需要安装多种库，来达到良好的使用效果。文中介绍的openai GPT-4作为最强的的大语言模型曾在使用也会算错加法，也有很多人经历过GPT的低质量回答，好奇GPT的行为是否存在故意。 在ai练中学中可以直接运行两种不同的模型，代码已经包含。其中TextModel因为模型更迭，无法连接报错connection error，其他三种均可以正常运行。
关于案例中两个问题直接使用GPT比调用api和Langchain更方便快捷，但Langchain提供统一标准的接口，支持多种大语言模型，方便切换不同供应商提供的模型。Langchain更适用一些特定的场景。
第三节，鲜花系统案例，文档冗长，信息分散，通过Langchain框架建立系统处理回答问题。通过数据处理管道，按流程处理问题： 1.Loading，将文档中的内容导入Langchain 2.Splitting，将导入的文档“切片”，方便后续处理 3.Storage，使用嵌入的方式存入向量数据库 4.Retrieval，检索导入的文档 5.Output，提供检索出的切片给LLM模型，并生成最终答案 数据存储的使用word embedding，将文本转换为数值向量，查询时基于向量相似度快速查询，本例使用Qdrant开源数据库，同时Chroma也是开源数据库。重点提到两种计算相似度的方法： 1.欧式距离 使用数值大小差异 数值分布 2.余弦相似度 语义方面差异 处理文本和高维数据 通过检索本地文档，私营企业内部知识，不是市面上大模型能涵盖的。各环节相辅相成，实现精准问答。
跟随README中的步骤获取自己的apiKey然后替换成自己的apiKey和baseUrl根据文中指导在ai随心练云运行之后打开网页
但目前还不知道为什么无法访问这个网页。
