基础：
1 LangChain中的具体组件包括：
- 模型（Models） ，包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。
- 提示模板（Prompts） ，使提示工程流线化，进一步激发大语言模型的潜力。
- 数据检索（Indexes） ，构建并操作文档的方法，接受用户的查询并返回最相关的文档，轻松搭建本地知识库。
- 记忆（Memory） ，通过短时记忆和长时记忆，在对话过程中存储和检索数据，让ChatBot记住你是谁。
- 链（Chains） ，是LangChain中的核心机制，以特定方式封装各种功能，并通过一系列的组合，自动而灵活地完成常见用例。
- 代理（Agents） ，是另一个LangChain中的核心机制，通过“代理”让大模型自主调用外部工具和内部工具，使强大的“智能化”自主Agent成为可能！你的 App 将产生自驱力！
这些组件是LangChain的基石，是赋予其智慧和灵魂的核心要素，它们相互协作，形成一个强大而灵活的系统。在基础篇中，我们将深入探索这些组件的工作原理和使用方法，并给出大量用例，夯实你对这些组件的理解和应用能力。
2 安装和快速入门
首先创建API Key
然后按照readme里面配置环境，如下：
然后就完事啦，我在本地按照小册配置了一下环境，然后使用openai 的api试了一下，效果还不错，如下：
3 快速构建问答系统
项目名称：“易速鲜花”内部员工知识库问答系统。 这个主要是需要重写创建一个推理接入点，支持embedding就好啦
具体流程分为下面5步。
- Loading：文档加载器把Documents 加载为以LangChain能够读取的形式。
- Splitting：文本分割器把Documents 切分为指定大小的分割，我把它们称为“文档块”或者“文档片”。
- Storage：将上一步中分割好的“文档块”以“嵌入”（Embedding）的形式存储到向量数据库（Vector DB）中，形成一个个的“嵌入片”。
- Retrieval：应用程序从存储中检索分割后的文档（例如通过比较余弦相似度，找到与输入问题类似的嵌入片）。
- Output：把问题和相似的嵌入片传递给语言模型（LLM），使用包含问题和检索到的分割的提示生成答案。
开发框架： 整个框架分为这样三个部分。
- 数据源（Data Sources）：数据可以有很多种，包括PDF在内的非结构化的数据（Unstructured Data）、SQL在内的结构化的数据（Structured Data），以及Python、Java之类的代码（Code）。在这个示例中，我们聚焦于对非结构化数据的处理。
- 大模型应用（Application，即LLM App）：以大模型为逻辑引擎，生成我们所需要的回答。
- 用例（Use-Cases）：大模型生成的回答可以构建出QA/聊天机器人等系统。
核心实现机制： 这个项目的核心实现机制是下图所示的数据处理管道（Pipeline）。
个人感悟： 对于初学者入门非常友好！！！帮忙解决了环境配置问题，真的很棒！！！因为个人在把项目移植到本地真的遇到好多的报错。www 前三门课理解了一些基础知识，以及快速入门，很期待之后的课程内容！！！
