如何使用向量存储作为检索器

向量存储检索器是使用向量存储来检索文档的检索器。它是对向量存储类的轻量级封装，使其符合检索器接口。它使用向量存储实现的搜索方法，如相似性搜索和最大边际相关性（MMR），来查询向量存储中的文本。

在本指南中，我们将介绍：

1. 如何从向量存储中实例化检索器；

2. 如何为检索器指定搜索类型；

3. 如何指定额外的搜索参数，如阈值分数和前 k 个结果。

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了解。

首先，我们实例化一个向量存储。我们将使用一个内存中的 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("总统对凯坦吉·布朗·杰克逊有什么看法？")

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，您可以将其指定为搜索类型。

这实际上指定了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("总统对凯坦吉·布朗·杰克逊有什么看法？")

传递搜索参数

我们可以使用 search_kwargs 将参数传递给底层向量存储的搜索方法。

相似性分数阈值检索

例如，我们可以设置相似性分数阈值，并仅返回分数高于该阈值的文档。

retriever = vectorstore.as_retriever(
    search_type="similarity_score_threshold", search_kwargs={"score_threshold": 0.5}
)

docs = retriever.invoke("总统对凯坦吉·布朗·杰克逊有什么看法？")

指定前 k 个结果

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("总统对凯坦吉·布朗·杰克逊有什么看法？")
len(docs)

1