RetrievalQAChain，检索问答链，在 LangChain 应用里，这种链就是组合了一个检索器还有一个问答链。首先它会通过检索器找出与问题相关的文档，然后再用这些文档作为上下文交给问答链去处理。

在这个 Node.js 程序文件顶部先导入几样东西，导入一个 OpenAIEmbeddings ，它来自 langchain/embeddings/openai，创建 vector store 的时候需要提供一个 embeddings。再导入 HNSWLib，它来自 langchain/vectorstores/hnswlib，一会儿它创建一个 vector store。再导入一个 RetrievalQAChain，它来自 langchain/chains。

这里已经准备好了一个 openai 的 model ，还有一组 documents。下面可以声明一个 embeddings，新建一个 OpenAIEmbeddings，然后声明一个 vectorStore，等于 await，用一下 HNSWLib 上面的 fromDocuments，把 documents 还有 embeddings 交给这个方法。

再声明一个 retriever，等于 vectorStore.asRetriever，相关结果可以暂时设置成 1 。再声明一个 chain，它的值可以用一下 RetrievalQAChain.fromLLM，把上面定义的 model ，还有 retriever 交给它。

然后用一下这个 chain，声明一个 response，等于 await，用一下 chain 上面的 call 这个方法，提供一个对象，设置一下 query，值可以设置成 “作者是谁？”。 在控制台上输出这个 response。

在终端，执行一下 node index.mjs，观察一下模型使用的提示，你会发现这个提示里只用到了 “宁皓网（ninghao.net）是由王皓与小雪共同创立。” ，因为这个文档内容是跟问题最相关的，模型会根据这个文档内容推断出问题的答案。最终给出的结果就是“王皓和小雪”。