LangChain：调用向量存储库的搜索方法

在 LangChain 中，向量存储库（VectorStore）提供了统一的接口，其中包含多种搜索方法。这些方法用于根据语义或向量来检索最相似的文档。下面将逐一介绍常用的搜索方法及其特点。

在 LangChain 中，向量存储库（VectorStore）提供了统一的接口，其中包含多种搜索方法。这些方法用于根据语义或向量来检索最相似的文档。下面将逐一介绍常用的搜索方法及其特点。

核心搜索方法

similarity_search

功能：根据查询文本进行语义相似性搜索，返回最相似的文档列表。

results = vector_store.similarity_search(query, k=4, filter=None)

• query (str)：用户的查询文本。
• k (int)：返回的文档数量，默认为4。
• filter (dict, optional)：元数据过滤条件。
• 返回：List[Document]，每个 Document 包含 page_content 和 metadata。

底层逻辑：内部会自动使用嵌入模型将 query 转换为向量，然后调用向量存储库的向量搜索接口。

similarity_search_by_vector

功能：直接使用给定的嵌入向量进行搜索，而不是传入文本。适用于已经获得查询向量的场景。

results = vector_store.similarity_search_by_vector(embedding, k=4, filter=None)

• embedding (List[float])：查询向量。
• 其他参数同上。
• 返回：List[Document]。

用途：当你已经预先计算好查询向量时（例如从缓存或批量处理中获取），可以直接使用此方法，避免重复调用嵌入模型。

similarity_search_with_score

功能：与 similarity_search 类似，但返回的结果会附带相似度分数（距离值）。

results = vector_store.similarity_search_with_score(query, k=4, filter=None)

• 返回：List[Tuple[Document, float]]，每个元组包含文档和对应的距离分数。分数越小表示越相似（具体含义取决于使用的距离度量）。

用途：当需要了解匹配的置信度或对结果进行阈值过滤时非常有用。

similarity_search_by_vector_with_score

功能：结合了 similarity_search_by_vector 和 similarity_search_with_score，即使用给定向量进行搜索，并返回带分数的结果。

results = vector_store.similarity_search_by_vector_with_score(embedding, k=4, filter=None)

• 返回：List[Tuple[Document, float]]。

高级搜索方法

max_marginal_relevance_search

功能：最大边际相关性搜索。在返回相似文档的同时，尽可能降低结果之间的冗余性。即同时考虑了“与查询的相关性”和“结果的多样性”。

results = vector_store.max_marginal_relevance_search(query, k=4, fetch_k=20, lambda_mult=0.5, filter=None)

• fetch_k (int)：初始召回的候选文档数量（通常大于 k），从中进行多样性筛选。
• lambda_mult (float)：控制相关性和多样性的权衡。0~1之间，值越大越注重相关性，越小越注重多样性。
• 返回：List[Document]。

用途：当需要避免结果过于相似（例如问答系统希望提供互补信息）时使用。

类似地，也有 max_marginal_relevance_search_by_vector 版本，接受向量作为输入。

---

as_retriever

功能：将向量存储库包装成一个检索器（Retriever）对象，以便在 LangChain 链中统一使用。

retriever = vector_store.as_retriever(search_kwargs={"k": 5})

检索器支持多种搜索类型（通过 search_type 参数）：

• "similarity"：默认，使用 similarity_search
• "mmr"：使用 max_marginal_relevance_search
• "similarity_score_threshold"：基于分数阈值的相似性搜索

retriever = vector_store.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={"score_threshold": 0.8, "k": 3}
)

---

异步方法

LangChain 的向量存储库通常也提供异步版本的搜索方法，用于高并发场景：

• asimilarity_search
• asimilarity_search_by_vector
• asimilarity_search_with_score
• amax_marginal_relevance_search

这些方法用法与同步版本相同，返回 awaitable。

---

元数据过滤（Filter）

大多数搜索方法都支持 filter 参数，用于根据文档元数据字段进行精确过滤。过滤语法因底层向量存储库而异，但 LangChain 尝试提供统一形式（如 {"source": "tweets"}）。常用过滤器包括：

• 等值匹配：{"source": "tweets"}
• 多值：{"source": {"$in": ["tweets", "news"]}}
• 范围：{"date": {"$gte": "2023-01-01"}}

实际支持的操作符取决于具体的向量存储库实现（如 Chroma、PGVector、Milvus 等）。

---

总结：不同方法适用场景

方法	适用场景
similarity_search	最常用的基础搜索，快速获取相似文档
similarity_search_with_score	需要分数阈值过滤或评估匹配程度
similarity_search_by_vector	已有查询向量，避免重复嵌入计算
max_marginal_relevance_search	需要多样性结果，避免内容重复
as_retriever	在 LangChain 链或代理中统一调用检索器