建议” 拆分为 “加载财报→提取关键指标→对比行业数据→生成建议”）；
工具调用（通过 Tools 调用计算器、数据库查询、网页搜索等外部能力）；
记忆机制（短期记忆存储中间结果，长期记忆关联历史对话） ；

（2）工具（Tools）
作用：扩展 LLM 的能力，让其能与外部系统交互（如查询实时数据、执行计算） ；

常见工具：
检索工具（RetrieverTool，调用索引检索数据）；
函数调用工具（FunctionTool，调用自定义函数，如数据清洗函数）；
外部 API 工具（APITool，调用天气 API、股票 API 等） ；


（3）评估器（Evaluators）
作用：评估系统性能（如回答准确性、检索相关性），辅助优化 ；
评估维度：
检索相关性（检索到的节点与查询是否相关）；
回答准确性（回答是否符合事实，与参考答案的一致性）；
冗余度（回答是否包含无关信息） ；




四、组件协作流程
以 “文档问答” 为例

数据加载：SimpleDirectoryReader 加载本地 PDF 文档，生成 Document 对象；

处理：SentenceSplitter 将 Document 拆分为 Node（含文本和页码元数据）；

索引构建：
嵌入模型（如 OpenAI Embeddings）将 Node 转换为向量；

VectorStoreIndex 将向量和 Node 存储到 Pinecone（向量库）；

查询：
用户输入查询 “文档中提到的核心技术有哪些？”；
Vector Retriever 从 VectorStoreIndex 中检索 top 5 相关 Node；
Response Synthesizer 用 Compact 策略将节点内容输入 LLM（如 GPT-4），生成回答；
输出：查询引擎返回最终回答 ；