Langchain 实现 RAG
RAG 实现包括三部分，文档向量化、相似度搜索和大模型回答，本文将使用 LangChain 进行 RAG 的实现。RAG 中最重要的是向量，向量模型的好坏直接反映到最终结果的好坏，如果不能搜索到相对准确的文档，RAG 就没有起到该有的效果。文章将分为两部分，首先是向量索引以及搜索，然后是与大语言模型的结合。
文档向量化
文档向量化是将文档转为向量，查询时将问题转化为向量，将问题向量与文档向量进行相似度比较，返回相似度较高的内容。比较三个Embedding 模型，分别为 Google 、Conan（腾讯）、JinaAI。
VertexAIEmbeddings
使用 VertexAI 模型，需要安装 Google Cloud 客户端，安装完成之后运行一下两条命令。
gcloud init
gcloud auth application-default login
使用 text-multilingual-embedding-002 多语言 Embedding 模型。https://cloud.google.c