使用检索器获取数据

查询包含文档嵌入的向量存储是寻找与用户问题对应信息的一种基本方式。虽然向量存储提供了直接查询的方式，但 LangChain 为此给出了一个更标准且通用的接口：检索器。

检索器是一个对象，它实现了一个通用接口，用于根据查询来获取文档。它的首要作用是接收一个字符串查询，并返回一个 Document 对象列表。这种抽象很有意义，因为它将您的应用程序逻辑与特定的数据源分离开。一个检索器可能从向量存储、传统 SQL 数据库，甚至 Web API 中获取数据，但您的应用程序代码与它的交互方式是相同的。

检索器在应用程序逻辑和不同底层数据源之间充当通用接口。

从向量存储到检索器

实例化检索器的最普遍方法是直接从一个已有的向量存储对象进行。这个过程直截了当，通过 as_retriever() 方法完成。我们假设您已经从上一节初始化了一个 vectorstore。

# 假设 'vectorstore' 是一个已初始化的 Chroma 或 FAISS 向量存储对象
retriever = vectorstore.as_retriever()

# 检索器现在已可使用
query = "What is the architecture of a RAG system?"
relevant_docs = retriever.invoke(query)

# 打印第一个检索到的文档内容
print(relevant_docs[0].page_content)

执行 vectorstore.as_retriever() 会创建一个 VectorStoreRetriever 实例。默认情况下，此检索器被设定为执行相似性搜索，即在嵌入空间中找到与查询向量最接近的文档向量。

自定义检索行为

默认的相似性搜索很有用，但在某些情况下，您可能需要对检索过程进行更多控制。as_retriever() 方法支持通过其参数进行自定义，特别就是 search_type 和 search_kwargs。

控制文档数量

一个经常性的调整是更改要检索的文档数量。这由 search_kwargs 内的 k 参数控制。k 的值决定了多少文档作为上下文传递给 LLM。较小的 k 速度更快，使用的 token 更少，但可能会错过核心上下文。较大的 k 提供更多上下文，但会增加成本并可能引入噪音。

# 创建一个检索器，它获取最匹配的5个文档
retriever_k5 = vectorstore.as_retriever(
    search_kwargs={"k": 5}
)

relevant_docs_k5 = retriever_k5.invoke(query)
print(f"Retrieved {len(relevant_docs_k5)} documents.")
# 预期输出：检索到 5 份文档。

通过最大边际匹配度（MMR）提升丰富性

有时，排在前 k 位的文档彼此非常相似，给出重复信息。为获得更多不同种类的结果，您可以使用最大边际匹配度（MMR）搜索类型。MMR 的作用是，首先选择与查询最相似的文档，然后迭代选择后续文档，这些文档代表了与查询的相似性和与已选文档的不同性的最佳结合。这有助于对主题提供更宽广的看法。

# 创建一个使用 MMR 选择文档的检索器
retriever_mmr = vectorstore.as_retriever(
    search_type="mmr"
)

relevant_docs_mmr = retriever_mmr.invoke(query)

使用 mmr 对于复杂查询可能尤其有用，其中不同文档可以覆盖答案的不同方面。

通过相似度分数进行过滤

另一种有助的技术是基于匹配度阈值过滤结果。这确保您只检索满足最低相似度分数的文档，有助于过滤掉不匹配的结果，特别是当用户查询的主题在您的知识库中未被充分涵盖时。

对于支持此功能的向量存储（如 Chroma），您可以使用 similarity_score_threshold 搜索类型。

# 创建一个检索器，它只返回相似度分数为 0.7 或更高的文档
retriever_threshold = vectorstore.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={"score_threshold": 0.7}
)

relevant_docs_threshold = retriever_threshold.invoke(query)

这种配置可以防止低质量或不相关的文档传递给 LLM，这可以提高最终答案的准确性。

配置好的功能性检索器，能够为特定查询获取最匹配且内容丰富的情境，至此我们已拥有构建 RAG 系统所需的所有组件。下一节将展示如何将此检索器与 LLM 和提示模板组合起来，构建一个完整的问答链。