Model/IO
Prompt
提示词工程，给大模型提供上下文，输出目标，输出格式，例子集合，指导大模型应该输出什么
Language Models
LLM 模型主要是理解人类语言，通用文本生成（如写代码、翻译、单轮问答） Chat 模型是基于 LLM 模型的专精多轮对话的上下文维护，多轮对话
Output Parsers
对结果进行结构化输出，JSON 输出，支持多种结构化输出（如XML、YAML），同时处理格式校验和错误重试
Data Connection
用于实时处理用户输入的外部数据（如加载PDF、抓取网页）
Document Loaders
Folder, File 等 Loader 加载本地数据，也可以通过 Web 从外部检索数据
Document Splitters
数据需要转换成向量，才能被大模型高效检索，数据转换成向量时，需要大模型转换，输入到大模型的数据每次只支持10-100k，数据太大时，就要进行分割。咱们可以通过 Text，Code，Token 等不同策略进行分割，分割同时考虑语义完整性（如按段落分割保留上下文）和特定场景需求（代码按函数分割）
Vector Stores
存储和管理向量数据的工具
Embedding： 将数据转换成向量的工具
Vector DB: 专用向量数据库
Memory: 短期记忆管理（如对话上下文向量缓存）
Self Host: 部署私有化向量存储方案
Vector Retrievers
为了解决大模型问题，金额提通过 Vector DB 通过向量近似度匹配, 通过 Web API 搜索引擎匹配， 通过云服务 Bass 检索其他向量数据
Memory
管理对话历史记录，方便上下文管理
Buffer: 临时存储高频访问的向量（缓存机制，如内存）
Vector DB: 专用向量数据库
KV DB： 传统 KEY - VALUE 数据库
SQL DB：传统关系型数据库
Chains
预定义任务流程（如：文档加载→分割→向量化→检索→生成回答），支持顺序/条件/循环执行
Agent
根据输入动态选择工具（如先检索知识库，再调用计算器），通过ReAct模式（Reason→Act）自主决策步骤。组合不同功能的 Chains，使用 function call 定义函数，告诉大模型什么时候调用这个函数
Callback
记录大模型思考过程，还支持实时干预（如修改生成中的文本）和性能监控（记录token消耗、响应延迟）
