MapReduceDocumentsChain，这种链可以突破语言模型的 token 限制 ，能够处理大量的文档。使用它的时候可以提供一组文档，还有用户的问题，这个链会使用这这些文档与用户问题并行调用语言模型，最后它会把每次调用模型的时候返回来的结果合并到一块儿，连同用户问题一起交给模型再处理一次，让模型给出最终的答案。

在我的这个项目的 files 目录里有个文本文件，名字是 nid-startup.txt ，里面主要是跟宁皓网的独立开发者训练营相关的内容，如果想让模型总结一下这段文字，或者根据这段文字问一些问题，直接调用语言模型是不行的，因为这些内容已经超过了语言模型能够处理的 token 数量。下面我们试一下用 MapReduceDocumentsChain 解决这个问题。

在这个程序文件的顶部，先导入一个 TextLoader，它来自 langchain/document_loaders/fs/text，再导入 RecursiveCharacterTexSpliter，它来自 langchain/text_splitter。

新建一个内容分割器，声明一个 splitter，新建一个 RecursiveCharacterTextSplitter，提供一个对象参数，可以设置一下块的大小，添加一个 chunkSize，值可以设置成 3000.

然后再声明一个 loader，它的值可以新建一个 TextLoader，给它提供一个文本文件的路径，当前目录 files 下面的 nid-startup.txt。下面声明一个 documents 表示一组文档，等于 await，用一下 loader 上面的 loadAndSplit，提供一个分割器，可以用一下上面定义的这个 splitter。在控制台上输出这个 documents。

在终端，执行 node index.mjs，这里输出的就是根据一个文本文件生成的一组文档。按大小切分以后生成了 3 个文档。

loadQAMapReduceChain

回到项目，在文件顶部导入 loadQAMapReduceChain，它来自 langchain/chains。在下面声明一个 chain，用一下 loadQAMapReduceChain ，它可以返回一个 MapReduceDocumentsChain，把 model 交给这个函数。

下面声明一个 response，它的值等于 await，用一下 chain 上面的 call 这个方法，提供一个对象，里面设置一下 input_documents，对应的值是 documents，然后再添加一个 question ，对应的值就是想问的问题，比如 “用中文总结一下这篇文章”。在控制台上输出 response 检查一下。

创建 OpenAI 模型的时候，我们可以设置一下它的 maxConcurrency ，比如设置成 2 ，不然可能会发生频率限制的错误。

在终端，运行一下应用，先观察一下调用模型的时候输出的 prompt。这里有一组提示，这个提示里指出下面是一个长文档里的一段文章，请根据用户问题给出相关的答案。这里先是一个文档里的文本内容，向下滚动，在提示的结尾这里会有用户的 Question，也就是用户的问题。然后让模型根据上文给出这个问题相关的内容。

下面这个提示也是一样的，让模型根据文档内容给出问题的答案，在最后一个提示里，给出了如何回答问题的一些示范，往下浏览，你会发现这里有用户的问题，下面是根据三个文档内容生成的与这个问题相关的一些内容，然后让模型根据这些内容再给出最终的答案。

最后输出的响应就是模型最终给出的答案，这里就是总结了一下篇文章。

再测试一下，问一个问题，比如 “在训练营能学到什么？” 在终端，运行一下应用，MapReduceDocumentsChain 会并行使用不同的文档向模型提问，最后再让模型汇总一下，生成最终的答案。