Decodificación de la Búsqueda Vectorial y Embeddings para Desarrolladores de React

Hola a todos. Bienvenidos a mi charla en React Day Berlin. Soy Shabal Amba. Trabajo como evangelista de desarrolladores en Couchbase, que es una plataforma de base de datos NoSQL que empodera a los desarrolladores, incluyendo muchas capacidades de IA que se están implementando con soporte para búsqueda vectorial.

Así que la sesión de hoy girará en torno a descifrar la búsqueda vectorial y los embeddings para desarrolladores de React. Ahora imagina que eres como Joey de Friends y estás sentado en un sofá realmente bonito. Por supuesto, a todos nos encanta el sofá y tener una buena silla, ¿verdad? Así que, por supuesto, si eres un desarrollador de software, probablemente amarás tu silla de trabajo o si simplemente estás disfrutando viendo una película y disfrutando de balancearte detrás con una silla realmente agradable. Así que, por supuesto, a todos nos encanta eso. Y si lo usas demasiado, a veces podrías ver que tu silla simplemente se rompe. Así que, por supuesto, el siguiente paso sería que podrías querer buscar ese tipo particular de silla que realmente amas. Así que podrías tener una consulta de búsqueda en una plataforma de comercio electrónico donde buscas Estoy buscando una silla vieja, que sea muy cómoda. Tiene un color marrón porque realmente no puedes recordar la marca exacta de esa silla particular que estás buscando, porque es tan vieja.

Y, por supuesto, ¿qué pasaría si dieras una descripción tan descriptiva de la silla cuando avanzas e intentas buscar con este tipo de descripción en diferentes plataformas de comercio electrónico? Veamos qué sucede realmente. Entonces, ¿crees que Joey podrá realmente encontrar esa misma silla que está buscando? Bueno, según muchas encuestas, el 88% de los usuarios no podrán realmente encontrar lo que están buscando, y no regresan a un sitio web después de una experiencia tan mala donde no encuentran o no pueden encontrar lo que buscan. Y el 61% de los usuarios dicen que no pueden realmente encontrar lo que buscan en cinco segundos. Y si eso sucede, realmente irán al siguiente sitio para encontrar los resultados.

Así que, por supuesto, si pongo esa misma descripción dentro de una plataforma de comercio electrónico, entonces, ¿qué sucedería? Entonces, si vas y buscas ese tipo particular de silla, probablemente no podremos encontrar lo mismo que estamos buscando. Encontramos un montón de otras sillas aleatorias que no coinciden con la descripción que estamos tratando de buscar. Entonces, ¿qué significa eso sobre las experiencias de búsqueda? Vimos que no encontramos ninguna silla marrón, ninguna silla marrón terrosa, ningún reclinador manual o reclinador automático. Pero al menos estas eran sillas, pero aún no cumplían con nuestra descripción que queríamos encontrar. Así que esa es la razón por la cual la búsqueda tradicional está realmente rota.

Así que de lo que vamos a hablar hoy, vamos a hablar sobre qué es un vector, qué son los embeddings, qué es la búsqueda vectorial, y luego cómo se aplica realmente para nosotros los desarrolladores de React o Next.js. Así que vimos que, por supuesto, la búsqueda tradicional, que se basa típicamente en la búsqueda de texto completo, donde cualquier consulta de usuario que se envíe, tratamos de coincidir con la consulta de búsqueda exacta y tratamos de encontrar resultados en nuestra base de datos que coincidan con la palabra exacta por palabra o texto por letra o letra por letra basada en la consulta de búsqueda que has enviado. Así que si tienes una descripción muy vaga como Estoy buscando una silla marrón realmente bonita que sea reclinable, si ese mismo texto no existe en tu base de datos, entonces no podrás realmente encontrar resultados para eso. Así que veamos cómo podemos superar ese problema particular. Así que primero, entendamos qué es exactamente un vector. Así que de nuevo, una advertencia de que si eres un desarrollador de React o un desarrollador de JavaScript, esto involucrará muchos números. Bueno, un vector es una lista de números que puede representar palabras, frases, imágenes y mucho más. Y aquí, cada número en esta lista particular básicamente tendrá alguna información sobre el significado de ese texto particular que estás mostrando. Y un embedding o un vector embedding básicamente convierte estas palabras o frases en estas listas de números de baja dimensión. Y estos embeddings son muy compactos y ayudan a hacer tareas como buscar y organizar estos textos muy fáciles.

Así que, por ejemplo, si tienes toda esta descripción que estábamos tratando de buscar dentro de nuestra caja de búsqueda, cuando convertimos esto en el embedding usando una API de embedding, se convertirá en este vector. Así que como puedes ver, básicamente representa todo este modelo de embedding. Y aquí tienes un array de estos embeddings. Así que estos valores, representan las características del mundo real de tus datos. Simplemente estás convirtiendo tus características del mundo real de los datos en estos valores numéricos con la ayuda de un modelo de IA llamado modelo de embedding, donde puedes ver que el modelo de embedding en este caso es el modelo TextEmbedding3, que convierte tus datos de entrada en estos embeddings que representan las características del mundo real o las dimensiones del mundo real de tus datos. Y la razón por la que convertimos esto en este formato numérico o este formato de embedding, llegaremos a eso más tarde.

Y aquí, este modelo de TextEmbedding es de OpenAI. Así que tu aplicación de datos básicamente transforma todo el camino desde todos estos datos, como los datos textuales que ves ahora, en un gran array de las dimensiones de las representaciones vectoriales, lo que desbloquea. Así que al convertir tus datos de texto en estos embeddings, básicamente desbloquea una búsqueda más precisa, recomendaciones de contenido, y también poder hacer comparaciones de documentos. Así que la pregunta es, ¿es esto realmente magia? Así que primero discutamos también sobre los modelos de embedding. Así que los modelos de embedding a un alto nivel convertirán tu texto en estas matrices numéricas. Y esto básicamente sucede con la ayuda de estos modelos de IA especializados, que realmente son solo redes neuronales. Así que en el panorama del aprendizaje automático, el aprendizaje profundo, estas son redes neuronales, que básicamente toman los datos de las palabras para entender qué hay en esa palabra. Y luego lo convertirá en este valor numérico. Y por supuesto, estos modelos están tradicionalmente entrenados sobre una gran cantidad de datos vastos para entender adecuadamente qué representa realmente esos datos, para que luego pueda convertirlos en esta forma numérica y tener el contexto relevante de qué son las características de esos datos particulares. De manera similar, por supuesto, hoy en día, muchos de los diferentes modelos de IA, como los modelos GPT, son los que se están utilizando bajo los grandes modelos de lenguaje que son modelos generativos, que te permiten generar datos y generar respuestas similares a las humanas, ya sea generación de texto o resumen. Así que, por supuesto, esas son diferentes categorías de modelos, que se utilizan para LLMs. Pero los modelos de embedding son los que pueden básicamente convertir tus datos en el formato numérico.

Así que ahora entendamos cómo funciona realmente la búsqueda vectorial. Así que hemos discutido sobre qué son los vectores. ¿Qué son estos embeddings que están generando estos vectores a partir de nuestros datos de entrada? Y por supuesto, estos vectores también son multimodelo, lo que significa que tienes embeddings basados en texto, pero luego también puedes tener imagen o incluso una combinación de ambas imágenes y texto. Así que una vez que conviertes estos en los embeddings, ¿qué significa realmente? ¿Por qué los estamos convirtiendo incluso en los embeddings? Así que ahí es donde la búsqueda vectorial realmente entra en escena. Así que primero, hablemos sobre la cercanía y entendamos qué significa realmente esa cercanía. Así que la cercanía dentro de la búsqueda vectorial básicamente significa qué tan cerca están dos vectores o qué tan similares son, lo cual se mide típicamente con la ayuda de una distancia, que representa el valor de qué tan separados están estos vectores. Así que básicamente, en resumen, si los dos vectores son más pequeños en su distancia, como si están más cerca uno del otro, eso significa que tendrán más similitud. ¿Y qué significa eso en el mundo real? Así que primero, estos vectores están representando las características del mundo real de algo. Así que si los vectores están más cerca uno del otro, eso significa que las características del mundo real de dos cosas están coincidiendo más que si están más separadas. Así que eso significa que dos cosas que son similares en sus características realmente representarán, sus vectores estarán más cerca uno del otro. Eso significa que la distancia entre ellos será más pequeña en tamaño. Así que aquí hay un ejemplo. Digamos que tenemos la consulta. I'm looking for my old chair with its leg part went up.

Entonces, en este caso, si ves que esto es un array tridimensional, ¿verdad? Un espacio vectorial tridimensional o simplemente un espacio de coordenadas con dimensiones x, y, z. Y cada una de las diferentes cosas están representadas como estos vectores. Así que en el lado derecho, ves los muebles del hogar, en el lado izquierdo ves los conjuntos de sala de estar, y en la parte inferior, ves los conjuntos de oficina. Y ahora mismo, si consideras tu consulta de búsqueda que también se convierte en el vector. Así que ahora puedes ver que está encontrando que el conjunto de documentos más cercano y relevante son en realidad los sillones reclinables marrones y las sillas reclinables de cuero porque nuestra consulta habla de tener una silla reclinable y tener una silla marrón. Así que básicamente está encontrando que, de acuerdo, el valor más cercano serían estas sillas marrones y las sillas reclinables. Y básicamente te dará una lista de los valores más cercanos coincidentes. Pero ves que, por ejemplo, las mesas de comedor están mucho más alejadas porque estamos hablando de una silla y una silla no está realmente relacionada con una mesa de comedor. Así que lo que esencialmente significa es que ahora con la búsqueda tradicional, que es la búsqueda de texto completo, si hubieras buscado, I'm looking for my old chair, habría intentado encontrar si tenemos algún valor en la base de datos que coincida con la descripción exacta de lo que has dado en la consulta de búsqueda, lo cual por supuesto no te habría dado ningún resultado. Pero con esta búsqueda vectorial, puedes encontrar significados semánticamente relacionados. Y debido a eso, puedes encontrar valores que están semánticamente relacionados con la consulta de búsqueda que has dado. Dado que tu consulta de búsqueda habla de una silla con una silla rota y luego reclinable y de color marrón, encuentra los valores que tienen características similares a ella. Y luego devuelve basándose en el cálculo matemático de cuán cerca están estos vectores, porque estos vectores, como reitero, son las características del mundo real. Así es como básicamente funciona la búsqueda vectorial.

Entonces ahora, por supuesto, la pregunta es, ¿cómo se determina realmente este más cercano? Así que vamos al espacio de IA ahora y entendamos todo con la ayuda de las matemáticas. Así que la idea es que hay múltiples formas de calcular realmente esta distancia entre los datos. Así que en este caso, el primer enfoque es la distancia euclidiana, que básicamente agrupa diferentes cosas por similitud. Luego tenemos la distancia coseno, que básicamente se usa mucho en el análisis de texto, que es encontrar el significado del texto, pero no el tamaño del texto. Así que basado en el significado del texto que se ha proporcionado, encontrará los valores más cercanos que son más cercanos al significado del texto basado en cómo interpretamos el significado. Y luego tenemos la distancia Manhattan, que típicamente se usa nuevamente cuando tienes mucha información y quieres encontrar diferencias directas entre esa información.

Así que más típicamente usarás ya sea la similitud coseno o la distancia euclidiana que simplemente dice que basado en dos valores que están cerca uno del otro en el espacio vectorial, eso significa que sus características del mundo real son similares. Así que están siendo agrupados por similitud. Así que por supuesto, esto es probablemente mucho para manejar. Ahora, por supuesto, lo grandioso es que como desarrollador de React, no tienes que preocuparte por diseñar realmente estos algoritmos. Esto es principalmente para que entendamos que como desarrolladores de React, qué está pasando detrás de las escenas. Porque si vas a construir aplicaciones que usen la búsqueda vectorial, entonces qué está pasando detrás de las escenas. Por supuesto, hay muchas herramientas disponibles para nosotros como desarrolladores de React para usar, lo que elimina toda la complejidad involucrada con toda esta comprensión de las bases de datos vectoriales y cómo estos modelos de incrustación generan las incrustaciones. No tenemos que preocuparnos por eso. Solo tenemos que usar las APIs y funciones proporcionadas que manejan todo esto por nosotros. Y solo tenemos que construir experiencias de usuario realmente buenas que aprovechen la búsqueda vectorial y se beneficien de la capacidad de búsqueda vectorial dentro de nuestras aplicaciones de React.

Así que por supuesto, vemos que la búsqueda por palabras clave típicamente es muy rápida. Pero, ¿alguna vez has visto algo como esto? Este es un ejemplo de una consulta SQL donde estamos diciendo que estamos tratando de encontrar el ID, el título, el contenido, el autor, el resumen. Así que imagina que tienes un sitio web de blogs donde estás tratando de usar la búsqueda de texto completo. Donde en el backend, tenemos esta consulta donde estamos tratando de encontrar el título relevante, el contenido, el autor. Y luego estamos tratando de encontrar documentos donde el título se basaría en la palabra clave particular que estás tratando de coincidir. Y si estás tratando de hacer que coincida con múltiples palabras clave, solo imagina cuán compleja sería tu consulta. Si tienes esta única palabra clave con la que estás tratando de coincidir, está bien, pero luego puedes ver que puede volverse tan compleja. Pero aquí es donde también se volverá lenta. Solo trata de imaginar cuán lenta podría ser. Pero ahí es donde, si la consulta se vuelve muy compleja, ahí es donde la búsqueda vectorial puede ser muy eficiente. Y me gustaría básicamente mostrar un ejemplo antes de que nos sumerjamos o saltemos al código. Así que es aún más útil cuando tienes más que palabras. Ya sea que tengas imágenes, texto, video. Debido a la capacidad multimodal de estas incrustaciones, podemos tener una combinación de texto e imágenes también. Mientras que, la búsqueda de texto completo probablemente ni siquiera funcione con una imagen si estás tratando de encontrarla.

probablemente ni siquiera funcione con una imagen si estás tratando de encontrarla. Porque con aplicaciones de IA generativa, con todas las aplicaciones modernas de IA, tenemos un montón de datos que son tanto textuales como tienen imágenes también.

Así que ahí es donde aprenderemos cómo la búsqueda vectorial es útil. Así que, por supuesto, antes de hablar sobre lo que está reservado para los desarrolladores de React. Toda esta teoría que hemos cubierto en los primeros 15 minutos, hablando de qué es un vector, qué es una incrustación vectorial, cómo está realmente relacionada, cómo las incrustaciones vectoriales se relacionan con las características del mundo real, y luego cómo usas la búsqueda vectorial. Así que, ¿cómo haces todo esto como desarrollador de React?

Antes de eso, me gustaría mostrarte rápidamente un ejemplo. Así que este es un repositorio de GitHub para mostrar todas las últimas películas. Ahora aquí, lo que verás es que ahora mismo, tengo esto, básicamente tengo este modal. Así que en el modal, si vuelvo a mi aplicación, así que aquí puedo ver que básicamente tengo cuánto porcentaje de mi aplicación quiero que sea semántica. Así que aquí estoy mostrando toda la lista de películas. Así que si lo mantengo 0% semántico y trato de buscar un nombre de película, por ejemplo, Shrek.

Así que la palabra clave es Shrek, por lo que me encuentra resultados con los títulos o la descripción de las películas que tienen Shrek dentro. Así que funciona bien. Pero digamos que si no recuerdo la palabra Shrek e intento encontrar algo como Ogden de color verde, que es básicamente lo que es Shrek. Puedes ver que en realidad no me da el resultado porque con el significado semántico, porque la búsqueda de texto completo no sabe que Shrek es en realidad un Ogden de color verde. Pero si ahora cambio esto a 100% semántico, si busco ahora Ogden de color verde. Así que lo que verás es que el primer resultado que obtengo es en realidad Shrek. Y la razón detrás de eso es que Shrek es en realidad un Ogden de color verde. Y con el significado semántico, porque no estoy usando la búsqueda de texto completo ahora, ya no está solo haciendo la coincidencia de palabras clave, sino que ahora ve que la consulta de entrada que he enviado, Ogden de color verde se convierte en un vector. Y luego todos los datos que ves, todos los datos de las películas se han convertido en las incrustaciones. Así que el vector para Shrek es similar al vector de consulta de entrada del Ogden de color verde porque Ogden es como un monstruo y Shrek es en realidad como un monstruo de color verde. Así que cuando los convertimos en las características, una característica de Ogden de color verde básicamente coincide con la de Shrek porque es en realidad un monstruo de color verde. Así que están estrechamente relacionados entre sí. Por eso es que ves que el resultado principal es Shrek y obtenemos eso. Así que esto mejora la experiencia del desarrollador para nosotros mucho más porque ahora ya no estoy obligado a proporcionar una coincidencia exacta de palabras clave. Como usuario, si no recuerdas exactamente algo, puedes dar algún tipo de descripción que si coincide con algunos de los datos de tu conjunto de datos, podrás obtener los datos. Así que este es un ejemplo de cómo puedes hacerlo con la ayuda de este milliserts. Es básicamente un motor de búsqueda que tiene soporte de búsqueda vectorial. Así es como puedes muy fácilmente hacer la transición entre la búsqueda semántica y solo la búsqueda de texto completo.

Así que ahora vamos a movernos y entender qué hay disponible para un desarrollador de React o Next.js. Así que tienes una serie de diferentes herramientas disponibles para ti. Tenemos BlankChain que es básicamente un framework de código abierto, que te permite construir aplicaciones de IA generativa. Y hay una biblioteca específica para JavaScript que te permite crear este tipo de experiencias como búsqueda vectorial o incluso aplicaciones de IA generativa más avanzadas que pueden aprovechar la búsqueda vectorial.

Y luego, por supuesto, tenemos el AI SDK de Vercel, que proporciona muchas diferentes herramientas para poder, nuevamente, construir muchas aplicaciones de IA generativa impulsadas por modelos de lenguaje grande y búsqueda vectorial. Y por supuesto, estos son completamente de código abierto que puedes aprovechar. Y los mostraremos hoy con la ayuda de una demostración. Y por supuesto, también obtienes ejemplos de elementos de UI que puedes agregar directamente a tu React UI, que te permiten proporcionar búsqueda semántica. La búsqueda semántica es básicamente similar a la búsqueda vectorial donde encuentras el significado semántico de la palabra clave de la consulta de búsqueda y encuentras lo que está relacionado dentro de tu base de datos. Así que obtienes algunos elementos de UI listos para usar que también puedes aprovechar dentro de tu base de código.

Y aquí hay un ejemplo de una aplicación de Next.js donde estoy usando una API. Así que aquí puedes ver que estoy conectando a un clúster de base de datos. Y luego aquí estoy usando la búsqueda vectorial consulta vectorial donde envío mi consulta. Y luego creo una incrustación para mi consulta de entrada. Y luego uso el scope.search. Así que aquí básicamente estoy usando internamente la búsqueda vectorial donde proporciono mi índice, mi índice de búsqueda. Y lo que hace es que encuentra la lista de blogs, publicaciones de blog, que son las más cercanas relacionadas, que coinciden más cercanamente con la consulta de entrada que he enviado. ¿Verdad? Así que por supuesto, si estás tratando de buscar documentos de React.js, entonces si hay una publicación de blog con el título de React.js, podrás encontrarla con la búsqueda por palabra clave. Pero digamos que si estás tratando de encontrar React hooks, puede que no haya una publicación de blog que tenga React hooks en el título. Pero si creas una incrustación vectorial y usas la búsqueda vectorial, entonces podrías encontrar los resultados de búsqueda relevantes.

Ahora, por supuesto, todo esto, sabes, estamos viviendo en un espacio de Gen-AI. Entonces, ¿qué tiene que ver todo esto con Gen-AI? Por supuesto, como sabes, si alguna vez has usado un chatbot que no tiene contexto, entonces comienzan a alucinar donde esto te da una respuesta muy aleatoria. Así que ahí es donde la generación aumentada por recuperación básicamente entra en escena. Donde lo que hacemos es que convertimos todos tus datos en los vectores y encontramos los documentos relevantes. Luego mejoramos eso con algún tipo de aumento de la búsqueda vectorial. Así que de la búsqueda vectorial obtenemos algunos resultados que obtenemos. Así que proporcionamos eso con nuestro aviso de entrada adicional. Y luego generamos el texto para proporcionar texto más coherente. Así que para eso, intentemos ver cómo lo usarías realmente. Así que aquí es donde tengo una aplicación de demostración, que es el chat con PDF. Aquí, puedo subir un documento PDF.

Así que en este caso, por ejemplo, buscaré todas las cosas abiertas. Así que este es un documento PDF. Entonces, lo que básicamente sucedería en este caso es que cuando selecciono este documento en particular, lo que está haciendo es que todo el texto que está en este PDF en particular se extrae y todo el texto se convierte en un vector en las incrustaciones y luego se almacenan dentro de una base de datos vectorial. Y ahora si le hago una pregunta, por ejemplo, ¿cuándo se celebró la conferencia? Entonces, cuando envío esta consulta de entrada, eso también realmente se convierte en el vector. Y luego, cuando este vector se convierte, hago la búsqueda vectorial donde lo comparo con la lista de todos los vectores que ya tengo. Y básicamente encuentra el vector más cercano. Y basado en eso, el resultado que ves ahora es que obtengo una aplicación de generación aumentada por recuperación completamente funcional donde mi bot de IA no está alucinando y es capaz de encontrar el resultado más cercano. En este caso, puedes ver que quizás cuando hizo la búsqueda vectorial, fue capaz de encontrar cuál es el resultado más cercano basado en el documento que acabas de subir. Y si miras la base de código aquí, aquí es donde básicamente está sucediendo toda la magia. Así que lo primero que ves es que estamos usando Langchain JS, que es el framework de código abierto para construir aplicaciones Gen AI con la ayuda de JavaScript. Así que en este caso, tengo el documento cargado. Estoy usando la base de datos vectorial Couchbase, luego estoy usando las incrustaciones de OpenAI de OpenAI. Así que lo primero que hacemos es que tan pronto como subimos el PDF, dividimos el PDF usando el divisor de texto donde generamos todo el texto. Extraemos todo el texto. Inicializamos un modelo de incrustación en este caso de OpenAI. Validamos nuestras credenciales de Couchbase. Esa es la base de datos que estoy usando en este caso. Y luego básicamente nos conectamos al clúster de la base de datos. Y luego lo que hacemos es que usamos esta tienda vectorial de Couchbase en particular de los datos de documentos. Así que en este caso, envío el documento, estoy enviando la incrustación vectorial, y luego genero las incrustaciones reales de mi fuente de datos. Y basado en esa fuente de datos que genero, las incrustaciones, esas incrustaciones, se almacenan dentro de mi base de datos. Luego, cuando realmente estoy chateando con mi aplicación, aquí, lo que estoy haciendo es que básicamente estoy avanzando y creando una plantilla de rack completa donde proporciono una plantilla de entrada aquí donde digo que eres un asistente de IA útil y básicamente tienes que dar respuestas basadas en la pregunta de entrada que le doy. Así que nuevamente, me conecto a mi tienda vectorial. Ahora, en este caso, lo que hago es que basado en la consulta de entrada que se está enviando, lo que estoy haciendo es que realmente estoy recuperando esos datos en particular. Así que lo que verás es que creo una cadena de recuperación. Así que si veo esta función en particular, puedo ver que en este caso cuando estoy creando la cadena de recuperación, uso el recuperador. Y en este caso, básicamente lo que está sucediendo es que la forma en que el recuperador funciona es que, que básicamente se define aquí, es lo que sucede es que basado en la consulta de entrada que has enviado, encontrará el conjunto de valores más relevantes que son más relevantes para los datos de entrada que acabas de dar. Y encontrará, usando la búsqueda vectorial, encontrará los valores más estrechamente relacionados. Y basado en eso, encontrará esos valores y nos los enviará de vuelta. Y en nuestra aplicación ahora, cuando el usuario ha dado esa pregunta de entrada, tendrá el contexto de los valores coincidentes más relevantes de la búsqueda vectorial.

Y luego generará una respuesta que más estrechamente coincida basada en la consulta de entrada que se ha enviado al usuario. Así que la consulta del usuario se convierte en el vector, encuentra el más... utiliza la búsqueda vectorial para encontrar los valores de vector que más estrechamente coinciden. Lo envía de vuelta a un pipeline RAG, y el modelo básicamente usa eso para generar una respuesta, que finalmente, lo que estamos usando aquí es que también estamos usando el AISDK de Vercel, donde generamos la respuesta con un valor de streaming. Así que esa es la razón por la que en la respuesta que viste, si le hice otra pregunta, por ejemplo, ¿cuál es el competidor mencionado en el documento? Así que básicamente transmite esa respuesta particular con la ayuda del AISDK. Y el AISDK de Vercel funciona muy bien con aplicaciones RAG, con lang chains, tiene integraciones incorporadas para eso. Y así ves que básicamente genera la respuesta. Así que este es un ejemplo clásico de cómo puedes aprovechar la lang chain.