LCEL （表达式语言）使用示例，包括基础使用，并行处理、条件分支、数据传递、错误处理、自定义逻辑。

自定义 Runnable 让能够将任何 Python 逻辑封装成符合 LCEL 标准的组件，从而无缝集成到 LangChain 管道中，享受流式、批处理、异步等特性。

LCEL（LangChain Expression Language—表达式语言）是 LangChain 框架中构建 Agent 智能体的核心与灵魂。它提供了一套声明式的语法，能用管道符（|）像拼接积木一样，将各种功能组件（模型、提示、解析器、工具等）组合成一个清晰的数据处理流水线。

链（Chain）是LangChain中将多个组件（如模型、提示模板、工具、其他链等）按特定逻辑顺序连接起来，以完成复杂任务的机制。

LangChain 的名字源自其框架的核心设计思路：用最简单的链（Chain），将为大语言模型开发的各个组件链接起来，以构建复杂的应用程序。

TimeWeightedVectorStoreRetriever（时间加权向量存储检索器）是 LangChain 中的一种高级检索工具，它在语义相似性的基础上，它结合时间衰减因子来优化检索结果。其核心思想是让近期被频繁访问的文档在检索时获得更高的权重，从而保持信息的新鲜度（recency）。

网络检索器适用于需要从网络上获取最新数据的场景。比如用户可能相要获取最新的热点信息，此时检索器可以直接从网络上进行检索，以便获得最新的信息。

在 LangChain 中，检索器是一个遵循统一接口的组件：输入一个查询（字符串），输出一个文档（Document）列表。

这个简单的接口极大地简化了信息检索的复杂性。你可以将任何能够返回相关文档的系统（如搜索引擎、数据库、向量存储）包装成一个检索器，然后在你的 LangChain 应用中以统一的方式调用它。

LangChain 的检索器是 RAG（检索增强生成）系统的核心组件，它提供了一套统一的接口来连接各种不同的数据源。无论是向量数据库、搜索引擎，还是传统的数据库，都可以通过这个接口被 LLM 应用轻松调用。

在 LangChain 中，向量存储库（VectorStore）提供了统一的接口，其中包含多种搜索方法。这些方法用于根据语义或向量来检索最相似的文档。下面将逐一介绍常用的搜索方法及其特点。

嵌入模型（Embedding Model）与向量数据库（Vector Database）是RAG系统中密不可分的两个核心组件。它们的关系可以这样理解：嵌入模型负责“编码”，向量数据库负责“存储与检索”。

简单来说，嵌入模型赋予数据“灵魂”（语义），向量数据库则提供了容纳和匹配这些“灵魂”的“家园”。要构建一个基于私有知识的智能应用，两者缺一不可。

在RAG（检索增强生成）中，向量存储库（通常指向量数据库）是连接大模型与外部知识源的核心“记忆中枢”，扮演着核心知识库的角色。它的主要作用是让大模型能够突破自身知识的局限，通过高效的语义搜索，实时、准确地利用私有的或最新的数据来生成更准确、更符合实际的答案。