问题一：LangChain 中的Retrievers（检索器）是什么？
LangChain 中的Retrievers（检索器）是什么？
参考回答：
想象一下你需要从一堆积木中找到一个特定的小部件。Retrievers 能够快速在向量存储中检索和提取信息，就像是乐高世界里的搜索引擎。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/658700
问题二：LangChain 中的Memory（记忆）是什么？
LangChain 中的Memory（记忆）是什么？
参考回答：
LangChain 通过 Memory 工具类为 Agent 和 Chain 提供了记忆功能，让智能应用能够记住前一次的交互，比如在聊天环境中这一点尤为重要。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/658701
问题三：LangChain 中的Chat Message History（聊天消息历史）是什么？
LangChain 中的Chat Message History（聊天消息历史）是什么？
参考回答：
最常见的一种对话内容中的 Memory 类，这就好比是在你的乐高角色之间建立了一个记忆网络，使它们能够记住过去的对话，这样每次交流都能在之前的基础上继续，使得智能积木人能够在每次对话中保持连贯性。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/658702
问题四：LangChain 中的Chain、LLM Chain、Index-related Chains各是什么？
LangChain 中的Chain、LLM Chain、Index-related Chains各是什么？
参考回答：
CHAIN 模块整合了大型语言模型、向量数据库、记忆系统及提示，通过 Agents 的能力拓展至各种工具，形成一个能够互相合作的独立模块网络。它不仅比大模型API更加高效，还增强了模型的各种应用，诸如问答、摘要编写、表格分析和代码理解等。
Chain 是连接不同智能积木块的基本方式，而 LLM Chain 是最简单的 LLM+Prompts 的一种 chain，专门用于链接语言模型。Index-related Chains 则将索引功能集成进来，确保信息的高效流动。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/658703
问题五：LangChain 中的Agents（代理）是什么？
LangChain 中的Agents（代理）是什么？
参考回答：
在 LangChain 的世界里，Agent 是一个智能代理，它的任务是听取你的需求（用户输入）和分析当前的情境（应用场景），然后从它的工具箱（一系列可用工具）中选择最合适的工具来执行操作。这些工具箱里装的是 LangChain 提供的各种积木，比如 Models、Prompts、Indexes 等。
如下图所示，Agent 接受一个任务，使用 LLM（大型语言模型）作为它的“大脑”或“思考工具”，通过这个大脑来决定为了达成目标需要执行什么操作。它就像是一个有战略眼光的指挥官，不仅知道战场上的每个小队能做什么，还能指挥它们完成更复杂的任务。
LangChain 中 Agent 组件的架构图如下，本质上也是基于 Chain 实现，但是它是一种特殊的 Chain，这个 Chain 是对 Action 循环调用的过程，它使用的 PromptTemplate 主要是符合 Agent Type 要求的各种思考决策模版。Agent 的核心思想在于使用 LLM 进行决策，选择一系列要执行的动作，并以此驱动应用程序的核心逻辑。通过 Toolkits 中的一组特定工具，用户可以设计特定用例的应用。
关于本问题的更多问答可点击原文查看：
