news 2026/4/2 12:37:23

RAG(五) 向量存储检索器（Retriever）的使用

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
RAG(五) 向量存储检索器（Retriever）的使用

在基于检索增强生成（RAG）的问答系统中，向量存储检索器（Retriever）是连接原始文档与大语言模型（LLM）的核心桥梁。它负责从海量的向量数据中快速找到与用户问题最相关的信息，为 LLM 提供精准的上下文，从而大幅提升回答的准确性和可靠性。本文将结合实战代码，深入讲解 Retriever 的核心概念、配置方法及在 RAG 流程中的应用。

一、Retriever 的核心作用

Retriever（检索器）是 LangChain 框架中专门用于从向量数据库中检索相关文档的组件，其核心作用可概括为：

  1. 语义匹配：将用户的自然语言问题转换为向量，与向量数据库中存储的文档向量进行语义相似度计算；
  2. 精准筛选：根据预设的规则（如相似度阈值）筛选出最相关的文档片段；
  3. 上下文供给：将筛选后的文档作为上下文传递给 LLM，确保 LLM 仅基于相关信息回答问题。

在 RAG 流程中，Retriever 是承上启下的关键：上接用户问题的向量转换，下接 LLM 的提示词构建，直接决定了最终回答的质量。

二、Retriever 的核心配置与参数

以 FAISS 向量数据库为例，我们基于实战代码讲解 Retriever 的核心配置方式。

1. 基础依赖准备

首先需要完成向量数据库的构建，这是 Retriever 工作的前提：

from langchain_community.document_loaders import PyPDFDirectoryLoader from langchain_community.vectorstores import FAISS from langchain_huggingface import HuggingFaceEmbeddings # 1. 加载PDF文档 loader = PyPDFDirectoryLoader("./pdf1/") docs = loader.load() # 2. 初始化本地嵌入模型 model_name = r'D:\本地模型\BAAI\bge-large-zh-v1___5' embeddings = HuggingFaceEmbeddings(model_name=model_name) # 3. 构建FAISS向量数据库 vectorStoreDB = FAISS.from_documents(docs, embedding=embeddings)

2. Retriever 的创建与关键参数

通过as_retriever()方法可将向量数据库转换为检索器，核心参数如下：

# 创建带相似度阈值的检索器 retriever = vectorStoreDB.as_retriever( search_type="similarity_score_threshold", # 检索类型 search_kwargs={"score_threshold": 0.3} # 检索参数 )
（1）search_type：检索类型

LangChain 支持多种检索策略，常用的有：

  • similarity：默认值，返回相似度最高的前 N 个文档（默认前 4 个）；
  • similarity_score_threshold：按相似度阈值筛选，仅返回分数高于阈值的文档；
  • mmr：最大边际相关性检索，平衡相关性和多样性，避免返回重复内容。
（2）search_kwargs：检索参数

根据search_type的不同，需配置对应的参数：

  • 当search_type="similarity_score_threshold"时：
    • score_threshold：相似度阈值（0-1），值越高要求越严格，本文中设置为 0.3，表示仅返回相似度≥0.3 的文档；
  • 当search_type="similarity"时：
    • k：返回的文档数量，默认值为 4，可根据需求调整（如{"k": 5}）；
  • 通用参数：
    • fetch_k：在最终筛选前先获取的文档数量（用于 MMR 等策略），默认值为 20。

三、Retriever 在 RAG 流程中的实战应用

Retriever 的最终价值体现在完整的 RAG 问答链中，结合你提供的代码，完整的流程如下：

1. 完整代码实现

from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableParallel, RunnablePassthrough from langchain_core.output_parsers import StrOutputParser from langchain_openai import ChatOpenAI import os from dotenv import load_dotenv from pydantic import SecretStr # 加载环境变量，初始化LLM load_dotenv() llm = ChatOpenAI( base_url="https://api.deepseek.com/v1", model="deepseek-chat", api_key=SecretStr(os.environ["DEEPSEEK_API_KEY"]), ) # 构建提示词模板 template = """ 只根据以下文档回答问题： {context} 问题：{question} """ prompt = ChatPromptTemplate.from_template(template) outputParser = StrOutputParser() # 构建检索+问答链 setup_and_retrieval = RunnableParallel( { "context": retriever, # 检索器负责获取context "question": RunnablePassthrough() # 透传用户问题 } ) # 完整的RAG链：检索 → 提示词构建 → LLM生成 → 结果解析 chain = setup_and_retrieval | prompt | llm | outputParser # 调用问答链 result = chain.invoke("关于劳动争议？") print(result)

2. Retriever 的执行逻辑

在上述代码中，Retriever 的执行流程为：

  1. 用户输入问题 “关于劳动争议？”；
  2. RunnableParallel将问题同时传递给 Retriever 和透传组件；
  3. Retriever 将问题转换为向量，在 FAISS 库中检索相似度≥0.3 的文档，作为context；
  4. context和question一起传入提示词模板，生成包含上下文的完整提示词；
  5. LLM 基于提示词生成回答，最终通过StrOutputParser解析为字符串。

四、Retriever 的调优建议

  1. 相似度阈值调优：score_threshold需根据实际场景调整，知识类问答建议设为 0.5-0.7（更严格），通用问答可设为 0.2-0.4（更宽松）；
  2. 返回数量控制：使用similarity类型时，合理设置k值（建议 3-5），过多文档会增加 LLM 的上下文负担，过少可能遗漏关键信息；
  3. 检索策略选择：如果需要避免重复内容（如长文档问答），优先使用mmr检索类型；
  4. 嵌入模型匹配：Retriever 的检索效果依赖嵌入模型，建议使用与文档语言匹配的模型（如中文场景优先使用 bge-large-zh 系列）。

五、总结

Retriever 作为 LangChain RAG 体系的核心组件，其核心价值在于精准、高效地从向量数据库中检索相关文档。通过本文的讲解，我们可以明确：

  1. Retriever 的核心是基于向量的语义匹配，配置的关键是search_type和search_kwargs；
  2. similarity_score_threshold类型适合需要严格控制相关性的场景，similarity类型适合追求召回率的场景；
  3. Retriever 的调优需结合业务场景，平衡相关性和召回率，才能最大化 RAG 系统的回答质量。

在实际开发中，Retriever 的配置是 RAG 系统调优的核心环节之一，合理的检索策略能让 LLM 的回答既精准又全面。

总结

  1. 核心定位：Retriever 是 LangChain 中连接向量数据库与 LLM 的关键组件，负责基于语义相似度检索相关文档，为 RAG 提供精准上下文；
  2. 核心配置：通过as_retriever()创建，关键参数包括search_type（检索类型）和search_kwargs（如相似度阈值score_threshold、返回数量k）；
  3. 实战要点：需根据业务场景调整检索策略（如严格匹配用similarity_score_threshold，追求召回率用similarity），并结合嵌入模型调优检索效果。
版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/4/1 18:38:11

自定义数据集如何接入ms-swift训练流程？

自定义数据集如何接入 ms-swift 训练流程？ 在大模型应用落地的浪潮中，一个普遍而棘手的问题浮出水面：通用预训练模型虽然能力强大，但在垂直领域场景下往往“水土不服”。无论是企业内部的知识问答系统、金融领域的合规审查助手&am…

作者头像 李华
网站建设 2026/3/27 14:11:19

如何快速掌握vn.py：构建专业交易系统的终极指南

如何快速掌握vn.py：构建专业交易系统的终极指南 【免费下载链接】vnpy 基于Python的开源量化交易平台开发框架 项目地址: https://gitcode.com/vnpy/vnpy vn.py是基于Python的开源量化交易平台开发框架，为交易员和开发者提供从数据管理、策略研发…

作者头像 李华
网站建设 2026/3/29 6:07:27

从零开始：用vnpy构建专业级量化交易系统全攻略

从零开始：用vnpy构建专业级量化交易系统全攻略 【免费下载链接】vnpy 基于Python的开源量化交易平台开发框架 项目地址: https://gitcode.com/vnpy/vnpy 量化交易框架vnpy为Python开发者提供了构建专业交易平台的完整解决方案。无论你是个人投资者还是机构用…

作者头像 李华
网站建设 2026/3/31 20:14:23

通过ms-swift调用C# Delegate封装回调函数

通过 ms-swift 调用 C# Delegate 封装回调函数 在企业级 AI 应用日益普及的今天，一个常见的挑战浮现出来：如何让前沿的大模型能力无缝融入已有的业务系统？尤其是当这些系统基于 .NET 构建时——比如 Windows 桌面应用、WPF 界面或 Unity 游戏…

作者头像 李华
网站建设 2026/4/1 22:42:58

DeepPurpose深度学习工具包：药物发现的终极完整指南

DeepPurpose深度学习工具包：药物发现的终极完整指南 【免费下载链接】DeepPurpose A Deep Learning Toolkit for DTI, Drug Property, PPI, DDI, Protein Function Prediction (Bioinformatics) 项目地址: https://gitcode.com/gh_mirrors/de/DeepPurpose 在…

作者头像 李华
网站建设 2026/3/30 10:44:43

文件分类与标记

临时文件自动化管理方案技术文章大纲引言临时文件管理的背景与重要性 自动化管理的优势（效率提升、资源优化、安全性增强）临时文件管理的核心挑战文件生命周期管理（创建、使用、清理） 存储空间占用与性能影响 敏感数据泄露风险自动…

作者头像 李华