功能1：让模型具有memory

可以看到，langchain作为访问gpt的一个插件，可以让gpt模型通过memory变量将之前的对话记录下来，从而使模型具有记忆（在不改变模型参数的情况下）。

查看memory变量包含了什么：

可以通过参数k（或者max_tokens等参数）设置记忆的长度（记住之前的几个对话）：

为什么用langchain

大型模型是没有“状态”这个概念的（相比lstm这类模型）。

langchain这个插件就能解决这个问题。

功能2: 前后文联系

即下一个对话（输出）需要用到上一个对话中的某些信息（作为输入）。

普通链

假设读取了一个csv文件：

llmchain这个函数需要接受两个变量，模型和prompt：

Sequetial Chain

这种类型的chain，前后的对话是有输入-输出之间的关系。

来看一下如何使用：

输出如下：

simple chain的示意图如下：

当多个对话杂糅时，可以这样操作：

此时的示意图如下：

Router Chain

用于不同领域的处理，针对不同的领域，给出不同的prompt（需要自己提前定义有哪几种prompt）。

具体举例说明，比如有多个学科的老师，需要回答某一领域的问题时，先定义不同学科的prompt：

再定义所有promt的信息：

然后开始调用 MultiPromptChain 等函数：

还要定义defalt chain：

功能3：根据文档回答问题

需要用到 embedding 和 向量储存（Vector Database）技术，在所上传的文档中进行检索、匹配等操作。

来康康怎么实现的，假设上传一个 csv 文件，需要 gpt 根据所上传的文件回答问题。

但是有时候文档很大时，gpt无法输入这么长的内容（LLM模型一次性输入的token是有限制的）：
这时候就要引入embeding和向量储存技术了。

embedding

即用 vector 表达某一段话的内容， 当两句话相似度比较高的时候， 他们对应embedding 的结果也非常相似：

Vector Database

把每一段内容进行embedding，然后按照index的方式储存他们的embedding。

在输入 query 进行查询的时候，将 query 也 embbedding 化，然后查询它和之前储存的所有句子的 embdding的相似度，选取相似度比较高的几个句子，从而进行回答：

代码实现

加载一个文档：

查看 embedding 的用法，可以看到其有1536纬度：

建立 vector database 并查找高相似度的句子：

返回了四个文档：

取回所需要（相似度高）的内容：