如何使用向量存储作为检索器

向量存储检索器是一个使用向量存储来检索文档的检索器。它是一个轻量级的包装器，围绕向量存储类，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MMR，来查询向量存储中的文本。

在本指南中，我们将涵盖：

1. 如何从向量存储实例化一个检索器；
2. 如何为检索器指定搜索类型；
3. 如何指定其他搜索参数，如阈值分数和前k个。

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演示。

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，我们可以实例化一个检索器：

retriever = vectorstore.as_retriever()

这将创建一个检索器（具体来说是一个 VectorStoreRetriever），我们可以像往常一样使用它：

docs = retriever.invoke("what did the president say about ketanji brown jackson?")

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，则可以将其指定为搜索类型。

这有效地指定了在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("what did the president say about ketanji brown jackson?")

传递搜索参数

我们可以使用 search_kwargs 将参数传递给底层的 vectorstore 搜索方法。

相似度评分阈值检索

例如，我们可以设置一个相似度评分阈值，只返回评分高于该阈值的文档。

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

docs = retriever.invoke("what did the president say about ketanji brown jackson?")

指定前 k 个

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("what did the president say about ketanji brown jackson?")
len(docs)

1