Building a basic LLM-enabled chat application with conversational capabilities, knowledge retrieval, and contextual memory requires specific components that work together to process queries, maintain context, and retrieve relevant information. Databricks' Generative AI Engineer documentation outlines key components for such systems, particularly in the context of frameworks like LangChain or Databricks' MosaicML integrations. Let's evaluate the required components:
* Understanding the Requirements:
* Conversational capabilities: The app must generate natural, coherent responses.
* Knowledge retrieval: It must access external or domain-specific knowledge.
* Contextual memory: It must remember prior interactions in the conversation.
* Databricks Reference:"A typical LLM chat application includes a memory component to track conversation history and a retrieval mechanism to incorporate external knowledge"("Databricks Generative AI Cookbook," 2023).
* Evaluating the Options:
* A. (Q): This appears incomplete or unclear (possibly a typo). Without further context, it's not a valid component.
* B. Vector Stores: These store embeddings of documents or knowledge bases, enabling semantic search and retrieval of relevant information for the LLM. This is critical for knowledge retrieval in a chat application.
* Databricks Reference:"Vector stores, such as those integrated with Databricks' Lakehouse, enable efficient retrieval of contextual data for LLMs"("Building LLM Applications with Databricks").
* C. Conversation Buffer Memory: This component stores the conversation history, allowing the LLM to maintain context across multiple turns. It's essential for contextual memory.
* Databricks リファレンス:「会話バッファメモリは、以前のユーザー入力と LLM 出力を追跡し、コンテキスト認識応答を保証します」(「生成型 AI エンジニア ガイド」)。
* D. 外部ツール: これら (API や計算機など) は機能を強化しますが、指定された機能を備えた基本的なチャット アプリには必須ではありません。
* E. チャットローダー: これらはチャットログのデータローダーを指す場合もありますが、会話機能やメモリの中核となるチェーンコンポーネントではありません。
* F. React コンポーネント: これらはフロントエンド UI 開発に関連するものであり、LLM チェーンのバックエンド機能とは関係ありません。
* 必要な2つのコンポーネントを選択する:
* 知識検索には、関連する外部データを取得するためにベクトルストア（B）が必要であり、これはDatabricksのRAGベースのチャットシステムの基盤となるものです。
* コンテキストメモリの場合、会話履歴を保持し、一貫性がありコンテキストを認識した応答を保証するために、会話バッファメモリ（C）が必要です。
* LLM自体がコアジェネレーターとして暗黙のうちに示されているが、質問ではモデルを超えたチェーンコンポーネントが求められており、BとCは基本的なアプリケーションにとって最小限かつ十分なペアとなる。
結論：必要なチェーンコンポーネントは、B. ベクトルストアとC. 会話バッファメモリの2つです。これらはそれぞれ知識検索とコンテキストメモリに直接対応しており、Databricksが文書化したLLM対応チャットアプリケーションのベストプラクティスに合致しています。