（15-2-02）langchain模型I/O与数据增强：MMR示例选择器+Ngram示例选择器

3.2.4  MMR示例选择器

Max Marginal Relevance Example Selector (MMR) 是一种示例选择器，旨在通过最大化边际相关性来选择示例，以平衡相似性和多样性。MMR在选择与输入最相似的示例的同时，还优化了所选示例之间的多样性。

在LangChain中，MMR示例选择器的特点如下所示。

1. 语义相关性：MMR选择器通过计算输入与候选示例之间的语义相似度来评估相关性。这通常通过将文本转换为嵌入向量并计算向量之间的距离来实现。
2. 多样性：MMR选择器在选择示例时，不仅考虑单个示例与输入的相关性，还考虑已选示例集合的整体多样性。这有助于防止选择过于相似的示例，从而增加示例集的覆盖范围。
3. 动态选择：MMR选择器可以根据输入的变化动态调整所选示例，确保对于每个新的输入，都能选择出最合适的示例集。
4. 可定制性：LangChain中的MMR选择器允许用户自定义相关性度量方法和多样性评估标准，以适应不同的应用场景和需求。

在LangChain中，通过SemanticSimilar