Python LangChain RAG从入门到项目实战09.：LangChain 中的 Retriever（检索器）

LangChain 中的 Retriever（检索器）

相关文章：

Python LangChain RAG从入门到项目实战10.：质量评价指标体系

在 LangChain 中，Retriever（检索器） 是一个核心组件，专门负责从知识库中检索与用户查询相关的信息。它的主要作用是根据输入的问题或查询，从大量文档中找到最相关的片段，为后续的问答或生成任务提供上下文。

1.Retriever 的主要功能

1. 相似性检索：基于语义相似度找到与查询最相关的文档片段
2. 关键字检索：基于关键词匹配找到相关文档
3. 混合检索：结合多种检索策略提高检索质量
4. 过滤与排序：对检索结果进行筛选和排序，返回最相关的内容

2.Retriever 的工作原理

典型的 Retriever 工作流程：

1. 接收用户查询/问题
2. 将查询转换为向量表示（使用嵌入模型）
3. 在向量数据库中搜索相似向量
4. 返回最相关的文档片段

3.Retriever 的类型

LangChain 支持多种类型的 Retriever：

1. 向量存储检索器（VectorStore Retriever）

   • 基于向量相似度进行检索
   • 示例：Chroma、FAISS、Pinecone 等向量数据库

2. 关键字检索器（Keyword-Based Retriever）

   • 基于传统关键词匹配
   • 示例：TF-IDF、BM25

3. 集成检索器（Ensemble Retriever）

   • 结合多种检索方法的结果
   • 提高检索的召回率和准确率

4. 上下文压缩检索器（Contextual Compression Retriever）

   • 对检索到的文档进行压缩，只保留相关部分
   • 减少不必要信息的传输

4.在代码中的使用示例

from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings

# 创建向量数据库
vectorstore = Chroma(
    persist_directory="./chroma_db",
    embedding_function=OllamaEmbeddings(model="nomic-embed-text")
)

# 创建检索器
retriever = vectorstore.as_retriever(
    search_type="similarity",  # 检索类型：相似度
    search_kwargs={"k": 3}     # 返回最相关的3个文档
)

# 使用检索器
query = "什么是机器学习？"
relevant_docs = retriever.invoke(query)

5.检索器配置参数

常见的检索器配置选项：

• search_type：检索类型（“similarity”、“mmr”、“similarity_score_threshold”）
• k：返回的文档数量
• score_threshold：相似度分数阈值
• fetch_k：初步检索的文档数量（用于MMR）

6.Retriever 在 RAG 中的应用

在检索增强生成（RAG）系统中，Retriever 扮演着关键角色：

1. 从大规模知识库中检索相关信息
2. 为生成模型提供上下文
3. 提高生成答案的准确性和相关性

7.总结

Retriever 是 LangChain 中连接用户查询与知识库的关键桥梁，它通过高效的检索算法找到最相关的信息，为大语言模型提供准确的上下文，从而生成更高质量的回答。选择合适的 Retriever 类型和配置参数对于构建高效的问答系统至关重要。