Skip to main content
Open In ColabOpen on GitHub

如何将向量存储用作检索器

向量存储检索器是一种使用 检索器 来检索文档的 向量存储。它是对向量存储类的轻量级封装，使其符合检索器 接口。 它利用向量存储实现的搜索方法（如相似性搜索和MMR）来查询向量存储中的文本。

在本指南中，我们将涵盖：

  1. 如何从向量存储实例化一个检索器；
  2. 如何指定检索器的搜索类型；
  3. 如何指定其他搜索参数，例如阈值分数和 top-k。

从向量存储创建检索器​

您可以使用其 .as_retriever 方法从向量存储构建检索器。让我们通过一个示例来演示。

首先我们实例化一个向量存储。我们将使用内存中的 FAISS 向量存储：

from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter

loader = TextLoader("state_of_the_union.txt")

documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(texts, embeddings)

然后我们可以实例化一个检索器：

retriever = vectorstore.as_retriever()

这将创建一个检索器（具体来说是 VectorStoreRetriever），我们可以像平常一样使用它：

docs = retriever.invoke("what did the president say about ketanji brown jackson?")

最大边际相关性检索​

默认情况下，向量存储检索器使用相似性搜索。如果底层向量存储支持最大边际相关性搜索，则可以将其指定为搜索类型。

这有效地指定了在底层向量存储上使用的方法（例如，similarity_search、max_marginal_relevance_search 等）。

retriever = vectorstore.as_retriever(search_type="mmr")
docs = retriever.invoke("what did the president say about ketanji brown jackson?")

传递搜索参数​

我们可以使用 search_kwargs 向底层向量存储的搜索方法传递参数。

相似度得分阈值检索​

例如，我们可以设置一个相似度评分阈值，仅返回得分高于该阈值的文档。

retriever = vectorstore.as_retriever(
    search_type="similarity_score_threshold", search_kwargs={"score_threshold": 0.5}
)
docs = retriever.invoke("what did the president say about ketanji brown jackson?")

指定 top k​

我们还可以限制检索器返回的文档数量 k。

retriever = vectorstore.as_retriever(search_kwargs={"k": 1})
docs = retriever.invoke("what did the president say about ketanji brown jackson?")
len(docs)
1