用户032704154494

RAG 不仅仅依赖于训练数据中的信息，还可以从大型外部知识库中检索信息，特别适合处理在训练数据中未出现的问题，通常可以概括为三个步骤： 检索：根据输入的问题，使用检索系统从文档集合中查找相关片段。检索

工具是代理的武器，代理通过工具与环境交互，工具大大提高了大模型的灵活性和可扩展性 加载工具 使用 load_tools 加载工具 tool_names 表示工具名称的数组 llm 表示大模型客户端对象

一般来说，LLM 模型无法主动更新自己的知识，其知识范围包括训练时的知识和提示上下文提供的附加信息。 解决方法可以让 LLM 在本地知识库、外部搜索等检索，确认真实再进行输出。本地知识库和外部搜索引擎

LLM 每个会话都是无状态的，每次调用需要用记忆机制将往期聊天内容同时提交。通过为 ConversationChain 添加 memory 参数即可添加。 留给记忆的键通常为 {history} 记忆

链是对一组功能的封装 链 类 说明 LLM 链 LLMChain 最简单、基本的链，集成提示模板、模型访问、输出解析的完整 LLM 访问流程，广泛应用于整个 LangChain 中 顺序链 Seque

微调与接入 LangChain 支持三种模型： 大语言模型 LLM：输入文本，返回字符串 OpenAI，豆包，星火等在线大模型，可参考此处接入 在 HuggingFace 下载预训练模型，微调后使用，

提示模板通过 PromptTemplate 创建，支持字符串模板占位符，通过 format 生成查询文本。 LangChain 提供如下提示模板封装： 提示工程 提示框架 一个提示词自上而下通常包含如

使用 LangChain 可以方便的创建内部知识库系统，让 AI 可以准确的利用提供的资料作为上下文解决实际问题 大体上，软件加载文档、分析数据的流程大体分为加载、切分、嵌入、检索、查询等过程 加载