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：

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；
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；
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：

用户输入问题 “关于劳动争议？”；
RunnableParallel将问题同时传递给 Retriever 和透传组件；
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；
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；
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

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）；
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；
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；
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：

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；
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；
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

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；
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）；
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。