上节课，我介绍了如何使用 LangChain 的六大核心概念和组件，构建一个基于语言模型的问答系统。如以上案例所示，上节课复杂的Retriever工具等配置被去除，剩余的链式结构只剩余prompt，llm，outputParser三个部分。
上节课，我我为您介绍了LangChain中最基本的链式结构，以及基于这个链式结构演化出来的ReAct对话链模型。没有看过的小伙伴可以点击链接查看： 「链接」今天我将由简入繁，为大家拆解LangChain内置的多种记忆机制。本教程将详细介绍这些记忆组件的工作原理、特性以及使用方法。
本文原创，著作权归 WGrape(https://wgrape.github.io/) 所有，未经授权，严禁转载一. 前言随着GPT模型的问世，大语言模型（LLM）时代已经来临。LLM的出现，使得人工智能在语言处理方面的能力得到了极大的提升。
由于目前比较火的chatGPT是预训练模型，而训练一个大模型是需要较长时间，这就导致了它所学习的知识不会是最新的，最新的chatGPT-4o只能基于2023年6月之前的数据进行回答，距离目前已经快一年的时间，如果想让GPT基于近一年的时间回复问题，就需要RAG技术了。
