langchain中的检索器

Htojk

430人浏览 · 2026-01-13 23:06:01

Htojk · 2026-01-13 23:06:01 发布

检索器汇总

检索器名称 📛	核心概念 💡	典型应用场景 🎯	特点 ⚡	基础代码示例 🛠️
VectorStore Retriever-2 -6	基于向量相似度进行语义搜索	语义搜索、基于文档的问答系统-2	• 理解语义，处理同义词和复杂查询 • 依赖嵌入模型质量-2 • 支持多种向量库（Chroma, FAISS等）-2	`retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 4})` -2
BM25 Retriever-1 -2	基于BM25算法的关键词匹配搜索	传统搜索、关键词驱动的问答-2	• 计算成本低，无需嵌入模型-2 • 依赖文本字面匹配，不支持语义搜索-2 • 快速、轻量，适合离线或资源受限场景-4	`retriever = BM25Retriever.from_documents(docs)` `retriever.k = 4` -1 -2
Ensemble Retriever-1 -2 -10	融合多种检索器结果，取长补短	需要综合关键词和语义的复杂搜索、高覆盖率检索-2 -4	• 结合关键词搜索和语义搜索优点-2 -10 • 支持加权融合不同检索器结果-1 -2 • 通常能获得更高的召回率和精准度-2	`ensemble_retriever = EnsembleRetriever(retrievers=[bm25_retriever, vector_retriever], weights=[0.3, 0.7])` -1 -2
MultiQuery Retriever-1 -2	使用LLM为原始查询生成多个相关问题进行检索	查询表达不明确、需要提高检索全面性的场景-2	• 通过多查询变体提高召回率-2 • 适合处理复杂查询-2 • 会增加一定的计算开销	`retriever = MultiQueryRetriever.from_llm(retriever=base_retriever, llm=llm)` -1 -2
Contextual Compression Retriever-1 -2 -4	对检索到的文档进行压缩和精炼，提取最相关内容	文档内容冗长、需要提取关键信息、提高问答质量-2 -4	• 有效减少噪声，输出更聚焦的上下文-4 • 大幅提升生成模型回答质量-4 • 增加计算开销，但提升精准度-2	`compressor = LLMChainExtractor.from_llm(llm)` `compression_retriever = ContextualCompressionRetriever(base_compressor=compressor, base_retriever=base_retriever)` -1 -2
MultiVector Retriever-3 -4	为单个文档生成多个向量表示（如摘要、小 chunk、假设问题）	长文档检索、技术文档或论文检索、多模态知识库-3 -4	• 提高检索精度，支持细粒度匹配-3 • 允许通过摘要或假设性问题来检索完整文档-3 • 索引体积相对较大	`retriever = MultiVectorRetriever( vectorstore=vectorstore, byte_store=store, id_key=id_key )`

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

AI Agent编排：复杂工作流的自动化实现

在深入探讨Agent编排之前，我们首先需要明确什么是AI Agent。AI Agent是一个能够感知环境、做出决策并采取行动的自主实体。感知模块：接收和处理环境信息推理/决策模块：基于感知信息进行思考和决策行动模块：执行具体的操作（如调用工具、生成文本）记忆模块：存储历史信息和知识通信模块：与其他Agent或系统进行交互Agent编排（Agent Orchestration）是指对多个Agent的

AI Agent技术社区

AI Agent的多轮对话状态管理

在深入探讨之前，让我们首先明确几个核心概念：AI Agent：一种能够感知环境、做出决策并执行行动的智能实体。在对话系统中，AI Agent通常指能够理解用户意图、保持对话上下文并生成有意义响应的系统。多轮对话：不同于单轮问答，多轮对话是指用户与系统之间进行的连续、有上下文关联的交互序列。对话状态管理(Dialogue State Tracking, DST)：是多轮对话系统中的核心组件，负责在对