大模型应用开发 / 知识点

LangChain 开发速查手册

手册条目

CODE
创建文档检索器

将向量存储或其他搜索组件封装为统一检索接口。

创建文档检索器

将向量存储包装成统一检索器后,上层链只需调用 invoke(query),无需关心底层是内存、Chroma、Qdrant 还是其他搜索实现。返回值统一为 Document 列表。

基本语法

对已有向量存储调用 as_retriever():

  • search_type="similarity":按相似度返回结果,最常用。
  • search_type="mmr":在相关性与结果多样性之间取平衡。
  • search_kwargs:传入 k、元数据过滤条件等检索参数;具体支持项由向量存储实现决定。

可运行示例

前置条件是已安装 langchain-core。示例使用确定性假嵌入,仅用于验证检索器接口;生产环境应替换为真实嵌入模型。

python
from langchain_core.documents import Document
from langchain_core.embeddings import DeterministicFakeEmbedding
from langchain_core.vectorstores import InMemoryVectorStore

documents = [
    Document(
        page_content="退款到账通常需要 1 到 3 个工作日。",
        metadata={"source": "faq"},
    ),
    Document(
        page_content="支付回调失败时,先检查签名和 HTTP 状态码。",
        metadata={"source": "runbook"},
    ),
]

embedding = DeterministicFakeEmbedding(size=128)
vector_store = InMemoryVectorStore(embedding=embedding)
vector_store.add_documents(documents=documents)

# 上层只依赖 retriever,不直接绑定具体向量库。
retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2},
)

results = retriever.invoke("支付问题")
print(f"count={len(results)}")
print(f"sources={sorted(doc.metadata['source'] for doc in results)}")

预期输出

text
count=2
sources=['faq', 'runbook']

读取时遍历每个 Document:正文在 page_content,来源、页码、租户等附加信息在 metadata,可选唯一标识在 id。

高频用法

直接接入 RAG 链时传递检索器对象;独立排障时先执行 retriever.invoke("测试问题"),检查返回数量、正文和元数据。需要多样化结果时改用 mmr,并按向量库能力配置 fetch_k 与 lambda_mult。

风险与排障

假嵌入不具备真实语义能力,用于生产会造成召回随机或不稳定;安全替代方案是接入实际嵌入模型,并用固定评测集验证召回。

返回空列表时依次检查:文档是否已写入、查询与入库是否使用同一嵌入模型、元数据过滤是否过严、集合或命名空间是否正确。更换向量库时还要核对其支持的 search_type 和过滤语法,避免把实现特有参数直接复制到另一种后端。

目录与阅读设置

记录一个想法

LangChain 开发速查手册

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通