今日任务：理清RAG工作流程、熟悉LlamaIndex主要组件
RAG（Retrieval Argument Generation）检索增强生成，在询问大模型时给大模型更多本地信息参考，提出针对性回答。
构建agent时除了与大预言模型的交互外还需要Memory与Tools。
Memory和Tools都是大语言模型原生支持的功能。
其中Memory是给大语言模型提供历史上下文记忆功能，这样我们在询问大语言模型时，可以让大语言模型理解历史的聊天信息，更好的理解问题。
而Tools则是给大语言模型提供本地工具。
这样，大语言模型就可以通过工具来完成一些具体的任务。
RichPromptTemplate可以用来动态构建提示词。
依赖库用法：https://developers.llamaindex.ai/python/framework/module_guides/models
组件
Loading:
把本地文档加载成document，再把文档拆分成node，这些node就是Llamaindex处理本地数据的基本单位。
SimpleDirectoryReader能够处理常见的文档内容
JSONReader可以解析JSON文件按照指定的格式加载出多个文档。(或许可以结合爬虫使用)
Indexing:
Indexing是一种数据结构，允许用户从Indexing中快速检索感兴趣的数据。在Llamalndex中，Index通常可以由一系列的Document构建出来，然后再构建出一个QueryEngine或者ChatEngine。用户就可以基于这些Engine快速检索出感兴趣的数据。在lndex内部，则会以Node的形式保存数据。Node则是Document拆分出来的一个片段。另外，Index也会暴露出一个Retriever接口，进一步支持文件检索。
通常用得做多的是VectorStorelndex，存储自然语言处理后的向量数据。
Storing:
Document stores:用来存储Document和Node。
Index stores:用来存储index相关的元数据。
Vector stores：用来存储向量数据。
Chat stores：用来存储聊天记录。
Property stores:用来存储知识图谱相关的数据。
在Llamalndex中，支持多种外部向量数据库来存储向量。具体参见官网
https://docs.llamaindex.ai/en/stable/module_guides/storing/vector_stores/
Milvus和FAISS是常用的向量存储数据库