ChatGPT等大语言模型存在问题是：
1，复杂问题的分步解决
2，外部访问的能力
3，长期记忆（更进一步学习能力）
langchain提出了解决方案，以下对其进行梳理：
1，复杂问题分步
使用chain解决问题的拆解，一个chain可以保护多个指令，甚至另外的chain。chain的套娃规则，构造一个任务树，非常类似于项目管理中的大任务套小任务。
那如何生成任务，答案是，以chain of thoughs 为原则，给ChatGPT模版提问，然后对回答的文本进行解析。具体在Agents中实现。
AgentExecutor不断地调用agent.plan创建任务actions,并执行，直到任务完成。
2，外部调用
Actions可以调用tools来执行任务，比如搜索，计算。所有actions都是text in,text out。
3，记忆问题
记忆无非是记忆短期，例如历史对话，当前要处理的任务。还有长期，例如大量的问题。 短期直接利用历史文本即可，当然要控制文本的长度，这里涉及到处理当前问题如何调取历史相关记录问题。
长期记忆，例如书本知识。现在的处理方式貌似都是利用text embedding 来做，将文本转出数字向量，然后利用问题与历史问题的数字向量的相似性来查找目标文本，并作为prompt的一部分。
langchain将相关文本的查找都规整到Retriever，不管底层实现如何，最终就是以文本找文本。
但是从chatpdf之类的实现来看，单纯的列出相关文本似乎并不能很好的回答问题。线性文本信息背后本质是结构，单纯的一段一段的文字并没有体现结构。人类虽然在思考问题时也会快速翻阅书籍的一些页面，但并不是单纯的累积文本，而是构造背后的结构。
所以可能问题不是文本累积+问题一个prompt就能解决，关键还是思维链条。利用langchain的思维链条工具去阅读pdf可能会解决问题。
例如，对于阅读论文设计以下几个tool
1，get relate text in {paper}
2，get related text in {ref paper}
3，search web for explaining {concept}