摘要：本文主要讨论基于 LangChain、Milvus、Embeddings 模型和 Azure OpenAPI（LLM）来构建知识库系统。利用 Milvus 进行文档向量存储和管理。利用RAG技术，在多轮对话和多会话管理场景下，从知识库中检索信息，并结合 LLM
导读：本文主要讨论基于 LangChain、Milvus、Embeddings 模型和 Azure OpenAPI（LLM）来构建知识库系统。利用 Milvus 进行文档向量存储和管理。利用RAG技术，在多轮对话和多会话管理场景下，从知识库中检索信息，并结合 LLM 生成精确信息。
LangChain 是一个由大型语言模型 (LLM) 驱动的应用程序开发框架。使用 LangChain 的开源组件和第三方集成可以方便快捷地构建 AI 相关的应用程序。
Milvus 是一款高性能、高可扩展的向量数据库。在 RAG（检索增强生成）体系里，它负责储存由 Embeddings 模型从数据转换而来的向量，凭借高效的向量相似度计算，能够快速从海量数据中精准检索出与用户问题相关的文本片段。这些被检索出的文本，为大语言模型生成高质量、准确且贴合用户需求的回答提供了关键信息支撑，大幅提升模型回答的相关性和可靠性，避免模型 “编造” 答案。例如在企业知识问答场景，向量数据库能迅速从大量文档中找到匹配问题的内容，助力大语言模型给出有效的解答 。
Embeddings 模型是一种将各种类型的数据，如文本、图像、音频等，转换为低维向量空间表示的模型。
使用 Langchain 的 Document Loaders.来加载 Document，并使用RecursiveCharacterTextSplitter 将大型 Documents 拆分成较小的块（Splits）。使用 HuggingFace 开源的 Embeddings 模型将 Splits 转为向量并存储至 Milvus 向量数据库中。来源：SapphireCoder