LangChain 設計原理分析1? | 向量數據庫與 Retriever 機制

本文旨在理解向量檢索的實現(xiàn)機制、VectorStore 與 Retriever 在 LangChain 中的職責劃分，掌握 FAISS 與 Chroma 的實踐用法，以及如何把向量庫“作為 retriever” 接入檢索增強生成（RAG）流水線。

一、先把概念理清楚（最重要的點）

  • 向量數據庫 / VectorStore：把文本或片段映射為向量并存儲、索引，用于快速近鄰搜索（ANN）。在 LangChain 中常見實現(xiàn)包括 FAISS、Chroma、Milvus、Pinecone 等。
  • Embedding：把文本變?yōu)橄蛄康哪Ｐ停∣penAIEmbeddings / HuggingFaceEmbeddings / 本地 xinference 等）。Embedding 的語義質量直接決定檢索效果。
  • Retriever（檢索器）：一個抽象層（BaseRetriever），負責“給我最相關的 documents”。VectorStore 通常提供 .as_retriever() 把自己包裝成 Retriever。LangChain 的 Retriever 遵循 Runnable 接口（支持 .invoke() / .ainvoke() 等）。

關鍵區(qū)別：VectorStore 負責存與查；Retriever 負責把“查詢”映射成文檔列表并做業(yè)務側包裝（例如加過濾、返回 score、metadata 過濾等）。

二、FAISS 與 Chroma 的快速比較（實踐視角）

FAISS（Facebook AI Similarity Search）

優(yōu)點：極高的性能與靈活的索引（IVF、PQ、HNSW 等），適合大規(guī)模離線索引與高吞吐檢索。實現(xiàn)上常用于內存/本地服務化場景。
典型場景：批量構建索引后離線部署、需要自定義索引參數與性能調優(yōu)時。

Chroma

優(yōu)點：開源、易用、開發(fā)者友好，提供嵌入 + 向量存儲的一體化體驗，適合中小規(guī)模快速迭代。LangChain 提供了 Chroma 的一鍵集成。
典型場景：快速原型、POC、輕量級應用或與 metadata 結合做過濾。

選擇建議：如果你要生產級、海量檢索（億級向量），優(yōu)先 FAISS / Milvus / ANN 專有云；若只是開發(fā)迭代或中小數據，Chroma 更省心。

三、as_retriever() 的作用與行為

as_retriever() 是 VectorStore 提供的便捷方法，把 VectorStore 包裝成 BaseRetriever（或可直接當作 Runnable 使用）。調用后你得到的 retriever 常帶有 search_kwargs（比如 k），并可被 LangChain 的 create_retrieval_chain / RetrievalQA 直接消費。官方 How-to 有示例。

要點：

  • vectorstore.as_retriever(search_kwargs={"k":4}) → 返回 top-k 文檔（含 metadata、score）。
  • Retriever 遵循 Runnable 接口，可直接 .invoke({"input": "..."}) 或在 Chain 中被自動調用。

四、實戰(zhàn)示例（兩版：FAISS 與 Chroma，基于最新 create_retrieval_chain）

說明：下面示例基于 LangChain 最新 API（create_retrieval_chain(retriever, combine_docs_chain)），并展示如何用 as_retriever()。你可以把 embedding 換成本地模型（如 Xinference / HuggingFace）。

依賴（示例環(huán)境）
pip install -U langchain langchain_community faiss-cpu chromadb sentence-transformers
示例 A：FAISS + Xinference Embeddings（小數據集演示）
import os

from langchain_community.document_loaders import DirectoryLoader
from langchain_community.embeddings import XinferenceEmbeddings
from langchain_community.vectorstores.faiss import FAISS

from langchain.text_splitter import CharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 加載文本并切片
loader = DirectoryLoader("docs", glob="**/*.txt")  # 你的文檔目錄
docs = loader.load()
splitter = CharacterTextSplitter(chunk_size=300, chunk_overlap=30)
chunks = splitter.split_documents(docs)

# 2. Embedding
embedding = XinferenceEmbeddings(
    server_url="http://127.0.0.1:9997",
    model_uid="bge-large-zh-v1.5"  # 這里填你在 Xinference 加載的 embedding 模型的 uid
)

# 3. 建索引（FAISS）
vectorstore = FAISS.from_documents(chunks, embedding)
vectorstore.save_local('GPT5')

# 4. 構造 retriever（as_retriever）
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

# 5. LLM + combine chain（stuff）
llm = ChatOpenAI(
    temperature=0,
    model="glm-4.5",
    openai_api_key=os.getenv("ZAI_API_KEY"),
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)  # 或本地 LLM 封裝
prompt_template = "根據下面文檔回答問題：\n\n{context}\n\n問題：{input}\n"
prompt = ChatPromptTemplate.from_template(prompt_template)
combine_chain = create_stuff_documents_chain(llm, prompt)

# 6. 組合成 retrieval chain
retrieval_chain = create_retrieval_chain(retriever=retriever,
                                         combine_docs_chain=combine_chain)

# 7. 調用
resp = retrieval_chain.invoke({"input": "GPT-5有什么特點？"})
print(resp["answer"])

說明/要點：

  • FAISS.from_documents 會調用 Embeddings，把 chunks 向量化并建立索引（可保存/load）。

  • retriever = vectorstore.as_retriever(...) 把向量存儲包裝成 Retriever，可直接給 create_retrieval_chain 使用。


    image.png
示例 B：Chroma 快速原型
import os

from langchain_community.document_loaders import DirectoryLoader
from langchain_community.embeddings import XinferenceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.text_splitter import CharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

loader = DirectoryLoader("docs", glob="**/*.txt")
docs = loader.load()
splitter = CharacterTextSplitter(chunk_size=400, chunk_overlap=40)
chunks = splitter.split_documents(docs)

emb = XinferenceEmbeddings(
    server_url="http://127.0.0.1:9997",
    model_uid="bge-large-zh-v1.5"  # 這里填你在 Xinference 加載的 embedding 模型的 uid
)

db = Chroma.from_documents(chunks, embedding=emb)
retriever = db.as_retriever(search_kwargs={"k": 1})

llm = ChatOpenAI(
    temperature=0,
    model="glm-4.5",
    openai_api_key=os.getenv("ZAI_API_KEY"),
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)
prompt = ChatPromptTemplate.from_template(
    "請基于下面上下文回答問題：\n\n{context}\n\n問題：{input}\n")
combine_chain = create_stuff_documents_chain(llm, prompt)
chain = create_retrieval_chain(retriever=retriever, combine_docs_chain=combine_chain)

print(chain.invoke({"input": "一句話總結GPT5的特點！"})["answer"])

說明：

  • Chroma 做為一體化 DB，使用體驗更簡單，適合迭代。


    image.png

五、實現(xiàn)細節(jié)與調優(yōu)要點（工程級）

  1. 文本切分（chunking）
    切分策略影響召回 vs 上下文連貫性。常見做法：chunk_size=300800，overlap=50200。
    先把長文檔分段并摘要，再存入向量庫，這樣能減少 Token 消耗。

  2. 向量歸一化（normalize）
    當使用余弦相似度時，常將向量 L2 歸一化，檢索時只需計算 dot product。某些 VectorStore 提供 normalize_L2 參數（FAISS 支持）。

  3. 距離度量
    FAISS 支持歐氏（L2）/內積(dot)等；Chroma 默認用余弦/內積。根據 embedding 決定（embedding 是否已歸一化）。

  4. 索引類型與性能（FAISS）
    常見索引：IndexFlatL2（精確）；IVF + PQ（大規(guī)模壓縮）；HNSW（快速近鄰）。選擇取決于吞吐、內存、精度需求?？稍趧?chuàng)建時通過 FAISS API 參數配置。

  5. Metadata 過濾
    如果需要基于 metadata 做篩選（例如按 source、date），vectorstores / retrievers 常支持 filter 參數；在調用 retriever.get_relevant_documents 時可傳 filters。檢查具體 VectorStore API（Chroma/FAISS wrapper 支持程度不同）。

  6. 持久化 / 重建索引
    FAISS 索引與 docstore 需分開保存（FAISS.save_local / FAISS.load_local）；Chroma 提供內置持久化方式。務必做好 embedding 版本與索引版本的同步策略。

  7. 語義質量監(jiān)測
    使用小集的查詢做 A/B（不同 embedding / chunking / index）評測。監(jiān)控召回率、平均相似度分布、用戶反饋。

六、如何自定義 Retriever（高級用法）

如果內置 retriever 不滿足你的需求（例如要做多階段檢索、語境壓縮、檢索融合多個 index），可以繼承 BaseRetriever：

from langchain_core.retrievers import BaseRetriever
from langchain_core.documents import Document
from langchain_core.callbacks import CallbackManagerForRetrieverRun
from langchain_core.vectorstores import VectorStore

class MyCustomRetriever(BaseRetriever):
    vector_store: VectorStore
    k: int

    def _get_relevant_documents(
        self, query: str, *, run_manager: CallbackManagerForRetrieverRun = None
    ) -> list[Document]:
        # 可以先做 query expansion / rerank / metadata filter
        docs = self.vector_store.similarity_search(query, k=self.k)
        # 做二次排序或裁剪
        docs = docs[:2]
        return docs


retriever = MyCustomRetriever(vector_store=db, k=4)
image.png

自定義 retriever 的好處：可以把 檢索、排序和壓縮 一步完成，直接把處理干凈的文檔交給 Chain。官方有自定義檢索器的教程。

七、實操常見問題與排錯

  • 檢索到的是無關片段：檢查 embedding model 是否適配你的語言域、chunking 是否過碎或過大。
  • 向量大小不匹配 / 報錯：確認索引創(chuàng)建時的 embedding 維度與檢索時一致（避免模型升級而沒重建索引）。
  • metadata 過濾不起作用：不同 VectorStore 對 filter 支持度不同（Chroma 支持較好），務必查看具體實現(xiàn)文檔。

八、快速參考代碼片段（保存/加載 FAISS）

from langchain_community.vectorstores.faiss import FAISS

# 3. 建索引（FAISS）
if os.path.exists("GPT5"):
    vectorstore = FAISS.load_local("GPT5", embeddings=embedding,
                                   allow_dangerous_deserialization=True)
else:
    vectorstore = FAISS.from_documents(chunks, embedding)
    vectorstore.save_local('GPT5')

九、小結

  • 向量數據庫是 RAG 的底座，選擇 FAISS / Chroma 應基于規(guī)模、性能與開發(fā)效率權衡。
  • as_retriever() 是把 VectorStore 變?yōu)?Retriever 的快捷方式，便于在 LangChain Chain 中直接消費。
  • 生產系統(tǒng)需要關注切分、embedding 一致性、索引類型選擇、metadata 過濾與索引持久化等要點。
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
【社區(qū)內容提示】社區(qū)部分內容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發(fā)布，文章內容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

相關閱讀更多精彩內容

友情鏈接更多精彩內容