Langchain核心实现机制：
1.Loading：文档加载器把Documents 加载为以LangChain能够读取的形式。
2.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”。
3.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”。
4.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）。
5. 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。
模型O/I
提示模板:使用模型的第一个环节是把提示信息输前入到模型中，你可"以创建LangChain模板，根据实际需求动态选择不同的输入，针对特定的任务和应用调整输入.。
语言模型:Langchain允许我们通过通用接口来调用语言模型。这意味着无论你要使用哪种语言模型，都可以通过同一种方式调用。
输出解析:LangChain还提供了从模型输出中提取信息的功能。通过输出解析器，你可以精确地从模型的输出中获取需要的信息，而不需要处理见余或不相关的数据，更重要的是还可以把大模型给回的非结构化文本，转换程序可以处理的结构化数据。
提示模板生成方式：
`# 导入LangChain中的提示模板
from langchain.prompts import PromptTemplate
# 创建原始模板
template = """您是一位专业的鲜花店文案撰写员。\n
对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？
"""
# 根据原始模板创建LangChain提示模板
prompt = PromptTemplate.from_template(template)
# 打印LangChain提示模板的内容
print(prompt)`
语言模型
LangChain中支持的模型有三大类。
1.大语言模型（LLM） ，也叫Text Model，这些模型将文本字符串作为输入，并返回文本字符串作为输出。
2.聊天模型（Chat Model），主要代表Open AI的ChatGPT系列模型。这些模型通常由语言模型支持，但它们的 API 更加结构化。具体来说，这些模型将聊天消息列表作为输入，并返回聊天消息。
3.文本嵌入模型（Embedding Model），这些模型将文本作为输入并返回浮点数列表，也就是Embedding。
输出解析
LangChain提供的解析模型输出的功能，使我们能够更容易地从模型输出中获取结构化的信息。
总结
langchain通过将用户的需求进行一系列的操作，利用大模型来解决用户具体情景下的问题，相比较于日常生活中的ai软件，它的亮点在于可以解决我们工作和生活中具体的问题。通过对提示模板的学习，我对langchain有了一些初步的了解，期待在之后的学习中了解更多。
