在 LangChain 构建的 RAG（检索增强生成）应用中，**向量存储（Vector Stores）和检索（Retrieval）**是紧密相连的两个阶段。
简单来说：向量存储是“把书放进图书馆并编好索引”，而检索是“根据问题从图书馆里快速找到相关的几页书”。
一、 向量存储 (Vector Stores)
大模型无法处理非结构化的长文本。向量存储的作用是将文本转化为数学向量（一组数字），并存储在专门的数据库中，以便进行“语义搜索”。
1. 工作原理
- 嵌入 (Embedding)：利用 Embedding 模型（如 OpenAI、HuggingFace 或 Ollama 提供的模型）将文本块转化为高维向量。
- 存储：将这些向量连同原始文本内容和元数据（如来源、页码）存入向量数据库。
- 索引：数据库为这些向量建立索引，以便在数百万条数据中实现毫秒级的相似度查找。
2. 常用的向量数据库
- Chroma / FAISS：轻量级，支持本地运行，非常适合开发调试和中小型应用。
- Pinecone / Weaviate / Milvus：云端或企业级，支持海量数据和高并发，具备更强的生产环境特性。
二、 检索 (Retrieval)
检索是从向量库中提取相关信息的过程。LangChain 提供了多种“检索器”（Retrievers），它们比简单的相似度搜索更智能。
1. 基础检索：相似度搜索 (Similarity Search)
这是最基本的检索方式，寻找在数学空间中距离问题向量最近的文本块。
2. 高级检索策略（解决“搜不准”的问题）
- MMR (Maximum Marginal Relevance)：不仅考虑相关性，还考虑多样性。防止检索到的内容全是重复的内容。
- 多查询检索 (Multi Query Retriever)：让 LLM 将用户的一个模糊问题改写成三个不同的版本，分别去搜，然后取并集。
- 父文档检索 (Parent Document Retriever)：检索时搜索小的文本块（粒度细，匹配准），但返回给模型时提供更大的上下文（整段或整页），避免信息碎片化。
三、 代码示例：存储并检索
我们将展示如何使用 FAISS（本地库）存储一些关于“秘密配方”的信息，并进行检索。
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.documents import Document
# 1. 准备数据
docs = [
Document(page_content="秘制炸鸡的配方包括：面粉、红椒粉、大蒜粉和一种秘密香料。", metadata={"source": "厨房笔记"}),
Document(page_content="炸鸡需要先在酸奶中浸泡2小时以增加嫩度。", metadata={"source": "厨师访谈"}),
Document(page_content="波士顿的气温今天预计是25摄氏度。", metadata={"source": "天气预报"}),
]
# 2. 向量化并存储 (需要配置 OPENAI_API_KEY)
embeddings = OpenAIEmbeddings()
# 创建本地向量库
vectorstore = FAISS.from_documents(docs, embeddings)
# 3. 转化为检索器 (Retriever)
# search_kwargs={"k": 1} 表示只返回最相关的 1 条结果
retriever = vectorstore.as_retriever(search_kwargs={"k": 1})
# 4. 执行检索
query = "炸鸡怎么做才嫩？"
relevant_docs = retriever.invoke(query)
# 5. 查看结果
for doc in relevant_docs:
print(f"内容: {doc.page_content}")
print(f"来源: {doc.metadata['source']}")
四、 检索与传统搜索的区别
| 特性 | 传统搜索 (如 SQL/关键词) | 向量检索 (Vector Search) |
|---|---|---|
| 匹配方式 | 字面匹配（必须包含某个词） | 语义匹配（理解意思） |
| 输入 | 精确的关键词 | 模糊的自然语言提问 |
| 例子 | 搜“猫”，搜不到“小猫咪” | 问“宠物”，能搜到“猫”、“狗” |
| 优势 | 准确、适合搜 ID、日期 | 智能、适合处理长文本和问答 |
五、 开发者建议
- 分块大小 (Chunk Size) 很关键：如果块太小，会丢失上下文；如果块太大，检索匹配度会下降。通常建议在 500-1000 字符之间。
- 关注 Embedding 质量：不同的 Embedding 模型效果差异巨大。如果你处理的是中文，建议使用
shibing624/text2vec-base-chinese或 OpenAI 的最新模型。 - 持久化存储：
# 将向量库保存到本地磁盘 vectorstore.save_local("faiss_index") # 下次使用时直接加载 new_db = FAISS.load_local("faiss_index", embeddings)
总结：向量存储解决了“存”的问题，检索解决了“找”的问题。在 LangChain 中，通过灵活配置 Retriever，你可以显著提升 RAG 应用回答问题的准确度和深度。
