在 LangChain 库中，文本切割器基类TextSplitter 提供了split_documents() 和 split_text() 两个切割方法常用的文本分割方法。

TextSplitter的子类都继承的这两个方法。下面分别介绍它们的作用和区别。

在Langchain的数据增强模块，数据以 Document 对象和向量形式在各个包装器之间流转。向量形式的数据由向量数据库管理，而被转换为向量之前，数据以 Document 对象的形式存在。

在自然语言处理（NLP）和大语言模型（LLM）中，嵌入(Embedding) 是一个核心概念。它的本质是将文本（如单词、句子或文档）转换为数值形式的向量（一串数字），使得计算机能够理解和处理这些文本的语义信息。

在LangChain框架中，嵌入模型包装器（Embedding Model Wrappers） 是用于将文本转换为向量表示的标准化接口，支持多种底层模型和服务。

LangChain框架中的Loader组件是数据增强处理流程中的核心模块，负责将不同格式的数据源转换为统一的Document对象。这些文档对象包含文本内容（page_content）和元数据（metadata），为后续的文本处理、嵌入、问答等操作奠定基础。

LangChain 框架的数据增强模块主要基于检索增强生成（RAG）技术，通过整合外部知识库提升大语言模型（LLM）在专业领域、实时性要求和私有数据场景下的表现。

Agent的ReAct框架是一种结合推理（Reasoning）与行动（Acting）的AI智能体开发框架，旨在通过动态的思考与执行循环解决复杂任务。

Agent的Master-Worker模式是一种并行任务处理架构，通过任务分解、动态分配与结果归并实现高并发场景下的效率提升。其核心思想是将系统分为两类角色：Master（主控节点）负责任务调度与结果整合，Worker（工作节点）负责执行具体子任务。

LangChain的输出解析器（Output Parser）是Model I/O模块的核心组件之一，主要用于将语言模型（LLM）的非结构化文本输出转换为结构化数据。它们确保模型输出符合特定格式，便于后续处理，比如解析模型的输出数据。

示例选择器的作用是在传递给模型的示例中进行选择，以确保示例的数量和内容长度不会超过模型的处理能力。这样，即使有大量的示例，模型也能够有效地处理提示词，而不会因为示例过多或内容过长而无法处理。