幻觉问题：LLM 文本生成的底层原理是基于统计概率的 token by token 的形式，所以会不可避免地产生“一本正经的胡说八道”的情况。RAG基于知识源的事实内容，可减少胡话。
时效问题：LLM 的规模大，训练成本高，周期长。对具有时效性的数据也就无法及时训练，RAG可以轻松扩展有时效性的知识（例如结合搜索引擎等）减少模型大小和训练成本。
信息安全问题：通用的 LLM 没有企业内部私有数据和用户数据，那么企业想要使用LLM兼顾数据安全，最好的办法就是把数据放在本地，企业数据的业务处理在本地完成。而在线的大模型仅仅完成一个理解和归纳功能。
可扩展性：RAG 可以针对多种任务进行微调和定制，包括QA、文本摘要、对话系统等。
可解释性 (Interpretability)：检索到的项目作为模型预测中来源的参考，有信源就更加权威可靠
2.) RAG是如何帮助LLM解决上述问题的?
RAG 是如何扩展LLM的?
3.)Agent是什么?LLM虽然厉害，但局限于学习，分析，理解并给出答案。可实它缺乏一些固定工具软件的一些能力.....因此LangChain 框架推出了Agent作为语言模型的外部模块，可提供计算、逻辑、检索等功能的支持，使语言模型获得异常强大的推理和获取信息的超能力
什么是Agent
一个Agent利用了计算器和维基百科
4）什么是Chain?4.1)站在业务和任务的角度理解
chain可以理解为任务。一个 Chain 就是一个任务，当然也可以像链条一样，一个一个的执行多个链
4.2）站在技术方案角度上的理解
Chain是指调用的序列 - 无论是调用 LLM、工具还是数据预处理步骤, 它可以是从最简单的“prompt + LLM”链 到 最复杂的链
5)什么是LangChain?LangChain 是一个开发框架，用于开发由 LLM 驱动的应用程序。可以近似认为是 LLM 领域的 Spring框架，以及开源版的 ChatGPT 插件集成系统。
值得说明的是LangChain 本身不提供 LLM，它提供通用的接口访问 LLM，可以很方便的更换底层的 LLM 以及自定义自己的 LLM.
其核心的 2 个功能为：
1）可以将 LLM 模型与外部数据源进行连接。
2）允许与 LLM 模型与环境进行交互，通过 Agent 使用工具。
6)Langchain具备什么能力?
LangChain提供的功能和集成能力
注：涉及LLM的一些相关非结构化数据最终经过格式化，分割，向量化到向量数据库中，具体参考下图：
Embedding
