网站如何做seo优化引擎网站

导读：作为企业级应用开发中的关键技术，LangChain检索器（Retrievers）正成为构建高效RAG系统的核心组件。本文将深入探讨检索器的技术架构与实战应用，帮助开发者掌握这一重要的AI工程技术。
检索器的价值在于提供统一的检索接口，无论数据源来自向量数据库、传统关系型数据库还是搜索引擎，都能输出标准化的Document对象列表。这种设计显著提升了系统的可扩展性和维护性。特别值得关注的是MMR（最大边际相关性）检索算法，它能够在保证相关性的同时优化结果多样性，有效解决传统相似性搜索中的重复结果问题。
文章通过完整的代码示例演示了如何集成DashScope嵌入模型与Milvus向量数据库，构建生产级别的检索系统。实战案例涵盖了从基础的相似性搜索到高级的MMR检索配置，展示了不同搜索策略在实际场景中的性能差异。对于正在构建智能问答系统或文档检索应用的技术团队而言，这些实践经验将为项目实施提供重要的技术指导和最佳实践参考。

LangChain检索器Retrievers案例实战

什么是Retriever

Retriever是LangChain框架中的核心组件，专门负责从各种数据源中检索相关文档信息。它在检索增强生成（RAG）系统中扮演着关键角色，为大语言模型提供精准的上下文信息。

核心特性

统一接口设计：Retriever提供标准化的检索流程，无论数据来源如何（向量数据库、传统数据库或搜索引擎），最终都输出统一的Document对象列表，确保了系统的一致性和可维护性。

多源混合检索能力：支持同时查询多种数据源，包括向量库、传统数据库和搜索引擎，这种多源检索策略能够显著提高召回率，确保更全面的信息获取。

与VectorStore的协作关系：Retriever本身不直接管理数据存储，而是依赖VectorStore组件（如FAISS、Chroma等）来实现数据的向量化存储与检索操作。

RAG系统中的定位：在检索增强生成流程中，Retriever充当"数据入口"的角色，负责为生成模型提供精准、相关的上下文信息。

技术特点

模块化设计架构：采用插件式扩展机制，开发者可以根据业务需求自定义检索算法，支持混合搜索、结果重排序等高级功能。

异步处理支持：通过async_get_relevant_documents方法实现异步检索，在高并发场景下能够提供高效的检索性能。

链式调用集成：与LangChain生态系统中的其他组件（如Text Splitters、Memory等）实现无缝集成，支持复杂的文档处理流程。

from langchain_core.retrievers import BaseRetriever

核心概念解析：召回率（Recall）

召回率是信息检索和机器学习中衡量模型查全能力的核心指标。在文档检索场景中，如果系统需要从100篇相关文档中进行检索，最终找出了80篇，那么召回率就是80%。

召回率高意味着系统能够找到更多相关结果，减少遗漏，但可能会包含一些不相关的结果，这时准确率可能会相应降低。在实际应用中，需要在召回率和准确率之间找到最佳平衡点。

Retriever常见类型

基础检索器：VectorStoreRetriever

VectorStoreRetriever是最常用的检索器类型，它通过将文档嵌入为向量表示，利用相似度计算（如余弦相似度）来检索相关文档。

基础使用示例

from langchain_community.vectorstores import FAISS# 创建向量存储并转换为检索器
retriever = FAISS.from_documents(docs, embeddings).as_retriever(search_type="mmr",  # 最大边际相关性搜索search_kwargs={"k": 5, "filter": {"category": "news"}}
)

as_retriever()方法详解

as_retriever()方法是向量库与检索器之间的桥梁，它将向量库实例转换为检索器对象，实现与LangChain链式调用（如RetrievalQA）的无缝对接。

源码实现：

def as_retriever(self, **kwargs: Any) -> VectorStoreRetriever:tags = kwargs.pop("tags", None) or [] + self._get_retriever_tags()return VectorStoreRetriever(vectorstore=self, tags=tags, **kwargs)

关键参数配置

search_type 搜索类型配置

类型	适用场景	Milvus对应操作
“similarity”	基础相似度检索	search()
“mmr”	多样性结果优化	max_marginal_relevance_search()
“similarity_score_threshold”	阈值过滤检索	search() + score_threshold

MMR检索配置示例

最大边际相关性（MMR）搜索能够在保证相关性的同时优化结果的多样性，避免返回过于相似的文档。

mmr_retriever = vector_store.as_retriever(search_type="mmr",search_kwargs={"k": 3,          # 最终返回的文档数量"fetch_k": 20,   # 初始检索的候选文档数量"lambda_mult": 0.5  # 相关性与多样性的平衡因子}
)

综合案例实战

以下是一个完整的Retriever实现案例，展示了从文档准备到检索执行的完整流程。

from langchain_community.embeddings import DashScopeEmbeddings
from langchain_milvus import Milvus
from langchain_core.documents import Document# 初始化嵌入模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2",  # 使用第二代通用文本嵌入模型max_retries=3,dashscope_api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
)# 构建测试文档集合
documents = [Document(page_content="MMR搜索和LangChain整合Milvus实战",metadata={"source": "humaonan.blog.csdn.net/article/details/148318637"}),Document(page_content="Milvus向量Search查询综合案例实战（下）",metadata={"source": "humaonan.blog.csdn.net/article/details/148292710"}),Document(page_content="Milvus向量Search查询综合案例实战（上）",metadata={"source": "humaonan.blog.csdn.net/article/details/148267037"}),Document(page_content="嵌入大模型与LLM技术全面解析与实战指南",metadata={"source": "humaonan.blog.csdn.net/article/details/148198246"})
]# 创建向量存储
vector_store = Milvus.from_documents(documents=documents,embedding=embeddings,collection_name="retriever_test1",connection_args={"uri": "http://192.168.19.152:19530"}
)# 配置检索器
retriever = vector_store.as_retriever(search_type="mmr",search_kwargs={"k": 2}
)# 执行检索
results = retriever.invoke("如何实现向量搜索？")
print(results)

检索策略对比分析

相似性搜索（Similarity Search）：

• 优点：执行速度快，实现简单
• 缺点：可能返回过于相似的结果，缺乏多样性
• 适用场景：对检索速度要求较高，对结果多样性要求不高的场景

MMR搜索（Maximum Marginal Relevance）：

• 优点：保证结果多样性，自动去重相似内容
• 缺点：执行速度相对较慢，计算复杂度较高
• 适用场景：需要多样化结果，避免信息重复的应用场景

实际应用建议

在生产环境中使用Retriever时，建议根据具体业务场景选择合适的检索策略。对于需要快速响应的实时查询系统，可以优先选择相似性搜索；对于需要全面、多样化信息的知识问答系统，建议使用MMR搜索策略。同时，可以通过调整lambda_mult参数来平衡相关性和多样性的权重，以获得最佳的检索效果。