LangChain 源码阅读笔记
LangChain 框架核心概念解析：Memory、Prompts、Parser 等模块的源码分析
LangChain官方介绍是这样说的
LangChain is a framework for developing applications powered by language models. We believe that the most powerful and differentiated applications will not only call out to a language model via an api, but will also:
Be data-aware: connect a language model to other sources of data
Be agentic: allow a language model to interact with its environment
The LangChain framework is designed with the above principles in mind.
对于”前端”开发者最重要的点是，designed with the above principles in mind.
将这波AI技术的各种概念进行了代码级别的面向对象的设计，方便理解和组合使用。
参考资料
下面把langchain的example一个一个看一遍跑一遍
这里只简单做笔记
像人一样思考：人们在处理复杂事情的时候，一定也是通过不断的整理信息，整理成自己熟悉的一件一件事。每个人身上都有熟悉的调用函数。
Memory
- Buffer这种属于内存存，其实就是给了一个Array
- MotorheadMemory 是基于monogodb存
- BufferWindowMemory就是提供了一个K的窗口长度，滑动存最近的。是一种防止膨胀的方案而已。
prompts主要做的事情是
fews shots
这个和zero shots很类似，就是给了一些很基础的例子。
这里能做的原因很简单：因为需要拼接的内容很简单。
疑问：但是这里需要用到LLM的能力吗？从返回来看是不用的，或者说只需要简单的分词
length_based_example_selector
这里的例子是用了_ExampleSelector_
这个我没理解， select examples是一个什么逻辑。
是如果有特别多的例子，他会随机挑选maxLength的例子，已达到节约token.
达成fews shots的目的吗？
semantic_similarity_example_selector
语义接近选择器。这里其实对应的是上面的长度对应选择器。
所以上面的意思是选择不超过xx的例子吗
这里用到了embing比对，这个比对有很多种比对方法
这里用到的是一种别的算法，K=1代表返回最临近的一个
structured_parser_zod
fix Parser
模版转换，由于LLM输入和输出，都是纯粹的字符串。
这里既有输入的prompt类似引擎的设计
也需要Output parse
output parse就是一个衍生工具，利用LLM的能力，来帮忙修正输出的格式错误，具体里面的promt是另外的做法
load_form_hub
- 看起来只是一个新建PromtTemplate的远端能力
PromptTemplate
partial
有点像yield的功能，支持部分输入，达成链式返回的能力
formatPromptValue
只是包了一层，多了一个返回toChatMessages
Steam支持
initializeAgentExecutor
- "zero-shot-react-description"：用于根据输入的文本描述生成自动回复，不需要预先训练。
- "chat-zero-shot-react-description"：用于在聊天场景中基于描述生成自动回复，不需要预先训练。
- "chat-conversational-react-description"：用于在聊天场景中进行对话回复，需要预先训练。
理解