https://github.com/ray-project/langchain-ray这个仓库展示了3个ray和langchain结合的示例，包括源代码、视频讲解、博客文档，对快速认知这两个工具及如何结合使用，非常有帮助。（但不知道出于什么原因，仅不到一年，这个仓库的状态已经是Public archive了。）
让我很有印象的是RAG应用示例。
首先是特征向量化过程(Embedding/Vector Store)。Ray Data提供了并行处理数据能力，将原始PDF文件向量化后存储/索引到FAISS。这个过程如果单纯使用langchain实现，这个过程是小时级的；而引入ray data后这个过程是分钟级的。
单纯使用langchain进行向量存储的示例代码：https://github.com/ray-project/langchain-ray/blob/main/embedding_pdf_documents/embedding_serial.py
langchain+ray进行向量存储的示例代码：https://github.com/ray-project/langchain-ray/blob/main/embedding_pdf_documents/embedding_ray.py
有了向量存储，就可以实现Retrieval QA了，通过Ray Serve部署Question Answering Service：
在此基础上，将问答结果作为Prompt模板的参数输入，生成最终的Prompt，喂给LLM，生成最终响应：
