本节介绍使用LangChian构建文档上的问答系统，可以实现给定一个PDF文档，询问关于文档上出现过的某个信息点，LLM可以给出关于该信息点的详情信息。这种使用方式比较灵活，因为并没有使用PDF上的文本对模型进行训练就可以实现文档上的信息点问答。本节介绍的Chain也比较常用，它涉及到了嵌入（embedding）和向量存储（vector store）。
（笔者注：embedding指的是将一个实体映射到高维空间，以高维向量的形式存储，以最大限度地capture其信息，自然语言处理使用embedding方式表示单词，即词向量。自然语言处理语境下，embedding都指的是word embedding词嵌入）
首先是一个简单的例子：
LLM‘s on Documents 文档上的大语言模型
Embedding 词嵌入
- 嵌入向量捕捉上下文/含义
- 相似（指语义相似）内容地文本对应相似的向量
如下图：句子1)和2)语义相似，因而它们的表示向量也相似。
（笔者注：事实上，LLM内部就是将文本转化为词向量（tokenizer）来处理的，直接以向量形式存储节省了文本到向量的转化步骤。）
Vecotor Database 向量数据库
下面分步解释过程：
使用CSVLoader对象loader加载一个csv文件，里面存放了户外服装相关信息，打印第一行信息如上图。
因为文本量比较少，不需要分块，因而可以直接创建embedding，查看一个embedding（其实是一组词向量）：
上述过程可以使用RetrievalQA chain轻松实现：
Stuff method 原材料方法
原材料是最简单的方法，只需要将所有的原始数据放到prompt中作为上下文喂给语言模型。
优点：只需调用一次LLM。LLM可以一次性访问所有数据。
缺点：LLM有上下文长度，对于大型文档或者多个文档超过上下文长度时无法生效。
additional methods 额外方法
Map_reduce：将文档每一个块和提问一起输入一个LLM中，汇总所有LLM结果，再使用一个LLM处理拿到最终答案。
（很有效，可以处理任意数量的文档，还可以并行，但很贵，且对待每一个文档，即忽略了文档之间的关联性）
Refine：从一个块和LLM中得到回复之后，再把结果作为下一轮的输出，不断优化到最后一个块，得到最终结果。
（好处时考虑了文档之间的关联性，和map_reduce代价相同）
Map_rank：处理所有块，给每一个块和LLM的结果打分，选一个分最高的作为最终结果。
（需要LLM有能力给结果打分，和map_reduce代价相同，也没有考虑文档之间的关联性）
