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。

点积相似性与余弦相似性详解

自然语言处理（NLP）中的文本嵌入技术旨在将离散的文本符号（如词或句子）映射到连续的向量空间，以捕捉语义和语法信息。文本嵌入可分为词嵌入和句子嵌入两类，两者在实现框架和技术细节上存在显著差异。以下从技术定义、实现框架和具体方法展开详细说明：

Agent 的 ReAct是一种结合推理（Reasoning）与行动（Acting）的推理-行动（Reason+Act）范式 / 提示模式，旨在通过动态的思考与执行循环解决复杂任务。LangChain 等只是实现该范式的载体，而非 ReAct 本身。

本文主要讲的是并发编程中的 Master-Worker 模式（以 Java 线程池为例），与 AI 多智能体里「主 Agent 分解任务、子 Agent/工具执行」是不同概念；二者可类比，但实现与约束并不相同。

并发场景下，Master-Worker 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提升高并发效率。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。