Eino 组件核心：Retriever 在 RAG 中的统一检索协议
很多人第一次看到 Retriever，第一反应都很直接：
不就是调一下向量库或者搜索引擎的 search，把最像的几条文档捞出来吗？
代码看起来也确实像这么回事。
可只要你继续往工程里走，问题马上就来了：
- query 到底在哪里做 embedding？
- 多知识库、多子索引怎么切？
TopK和相似度阈值该放配置里，还是放运行时？- 过滤条件到底写在 SDK 调用里，还是写在组件 option 里？
- 一次检索到底怎么进
Chain、Graph、Callback 这条正式运行时链路？
如果这些事都散在业务代码里，检索当然也能跑，但通常跑不久就会乱。
之前的 Indexer 组件，讲的是在存一侧，如何统一的存。而 Retriever 组件，讲的是如何统一取：即：
Retriever是 Eino 在读侧给出的统一检索协议，不是某家向量库 SDK 的语法糖。
1. Retriever 真正解决的，不只是'搜一下'
我先不讲解 Retrieve(ctx, query, opts...) 这个方法，怕你把它只定位成'检索调用的统一壳子'。
发挥 Retriever 真正作用的，其实是读侧这几件事：
第一，把 query 变成标准检索入口。
上层只需要给出查询字符串，至于后面是关键词检索、向量检索、混合检索，还是带过滤条件的召回，都由组件自己去接具体实现。
第二，把结果统一成 []*schema.Document。
不管底层是 VikingDB、Milvus、ES，还是 OpenSearch，最后交给上层的都不是某家 SDK 的 hit 结构，而是标准文档协议。
第三，把检索正式纳入运行时链路。
首先你要认清 Retriever 不是帮助函数，而是能进 Chain、Graph、挂到 Callback 里的正式组件。
你放到 RAG 里看，这层价值会更清楚。
一条典型链路里：
Embedding负责把文本变成向量Indexer负责把文档写成可检索对象Retriever负责把 query 变成召回动作ChatModel负责基于召回结果生成答案
至于 Rerank，它通常在 Retriever 之后，对候选结果再做一轮重排；这不是 Retriever 本体要解决的事。
所以别把它理解成'搜索函数封装'。
更准确一点说：
Retriever解决的是'查询如何以统一协议进入检索系统，并把结果以统一协议返回出来'。
2. Retrieve 动作的核心
官方给出的核心接口其实非常短：
type Retriever interface {
Retrieve(ctx context.Context, query string, opts ...Option) ([]*schema.Document, error)
}
如果只看长度，这接口甚至比 Indexer 还简单。
可真正要看的，不是它有几个方法，而是它画的边界。
先看 retriever.Retriever。
这说明 Eino 在组件层明确区分了'写入协议'和'读取协议'。你前面已经有了 Indexer 去负责 Store，这里再单独给 Retrieve 一层抽象，意思已经很明确了：
写进去怎么做，和查出来怎么做，是两条边界。
再看 Retrieve(ctx, query, opts...) ([]*schema.Document, error)。
这个签名里最重要的有 4 个点。
1. ctx 不只是取消信号。
在 Eino 里，它同时承担请求级信息和 callback manager 的传递。也就是说，检索这一步从一开始就被当成正式运行时行为，而不是藏在工具函数里的黑盒调用。
2. 输入是 query string，不是某家后端的专属请求结构。
这一步把上层调用姿势压得很统一。至于 query 后面要不要向量化、怎么向量化、要不要混合检索，是组件内部的事。
3. 返回的是 []*schema.Document，不是原始 hit。
这点很关键。如果返回的是后端自己的结果结构，那这层抽象就基本失效了。现在统一返回 Document，说明它抽象的不是'某种数据库搜索请求'，而是'统一读侧输出协议'。
4. opts ...Option 把运行时可变能力单独挂了出来。
这意味着检索行为不是完全写死在初始化配置里的。索引、子索引、TopK、阈值、embedding、过滤 DSL，都可以在调用时覆写。
再看 schema.Document：
type Document struct {
ID string
Content string
MetaData map[string]any
}
很多人看到这里，会把注意力放在 Content 上。但到了检索场景，真正不能轻视的，反而常常是 MetaData。
因为检索结果除了正文，往往还会带上这些信息：
- 分数
- 来源
- 业务标签
- 命中的索引或分区
- 后端返回的其他上下文字段
这些信息不一定都在 Content 里，却很可能会被后续节点继续用到。
所以 Retrieve 虽然只有一个动作名，但里面可能同时发生：
- query 预处理
- 向量生成
- 后端检索
- 结果解析
- metadata 注入
- callback 生命周期触发
这已经明显不是一句'搜一下'能说完的事了。
3. 不要对公共 Option 理解，局限于几个小参数
官方给 Retriever 的公共 option 长这样：
type Options struct {
Index *string
SubIndex *string
TopK *int
ScoreThreshold *float64
Embedding embedding.Embedder
DSLInfo map[string]any
}
字段不算多，但每一个都对应着读侧真正会变的行为。
3.1 Index
Index 是检索器使用的索引。
别把它只理解成'某个数据库里的索引名'。在不同实现里，它的含义可能不一样，但统一点在于：
它决定你这次检索到底要落到哪一个可检索空间里。
这在多知识库、多业务库、多环境隔离里很常见。
3.2 SubIndex
SubIndex 是子索引。
它更像逻辑上的进一步分流。比如同一套物理存储下，你可能还会按租户、业务线、数据域、时间分区去做更细颗粒度的检索路由。
这就是为什么 Eino 不把它粗暴合并进 Index。
它们虽然都在描述'查哪里'，但层级不一样。
3.3 TopK
TopK 是返回文档数量上限。
这看起来像一个很普通的参数，但它其实会直接影响：
- 召回范围
- 下游模型上下文长度
- 延迟
- 成本
所以它不该永远被写死在初始化配置里。很多真实业务里，FAQ 检索、知识库问答、长文档辅助分析，它们需要的 TopK 根本不是一个数。
3.4 ScoreThreshold
ScoreThreshold 是分数阈值。
这里有一个特别容易被误会的点：
它是过滤条件，不是排序开关。
也就是说，它的意义不是'把低分文档往后排'，而是'低于阈值的文档直接不要'。
所以如果你的召回结果'明明命中了，但又没返回'，除了看 TopK，还得看这里是不是把结果过滤掉了。
3.5 Embedding
Embedding 是给 query 做向量化的组件。
这个字段很关键，因为它直接说明：
Retriever 虽然吃的是自然语言 query，但它可以在内部把 query 变成向量，再去做相似度检索。
同时也正因为有这个字段，官方源码里还特别强调了一层约束：
检索时使用的 embedder，应该和索引写入时使用的模型保持一致。
否则很容易出现一种很典型的线上问题：
文档都在，索引也建好了，可召回效果就是不对。
问题往往不是数据库坏了，而是写入时和查询时压根不在一个向量空间里。
3.6 不止公共 option，具体实现还能继续扩展
官方还提供了实现级 option 的包装方式。
这意味着你在自定义 Retriever 时，既要支持 GetCommonOptions(...)，也可以保留自己那套实现专属参数，而不用为了兼容框架把所有细节都塞进公共层。
说白了就是：
公共 option 负责定义'所有 Retriever 都该听得懂的话'，实现级 option 负责保留'这一家后端自己的方言'。
4. Retriever 的使命，是把查询送进检索系统
很多人理解 RAG，脑子里只有一句话：
'把文档切块，做 embedding，丢向量库，查询的时候再搜出来。'
这句话当然不算错，但一旦落到 Eino 组件边界上，还是得拆得更清楚一点。
先看最短版本：
Loader / Parser -> Indexer -> Retriever -> ChatModel
如果把过程展开一点，大致是这样：
原始资料 -> Loader / Parser -> []*schema.Document -> 切块 / 清洗 -> Indexer.Store -> 可检索后端 -> Retriever.Retrieve(query) -> []*schema.Document -> ChatModel
这里真正重要的，不是流程图本身，而是边界与规范。
写入侧你关心的是：
- 文档如何标准化
- 向量什么时候生成
- 元数据怎么落库
- 写进哪个索引或分区
读取侧你关心的是：
- query 怎么解释
- 要查哪个索引或子索引
- 召回多少条
- 分数阈值怎么设
- 过滤条件怎么下发
- 返回什么 metadata 给下游
这也就是为什么上一篇讲 Indexer 时，我一直在强调'写入侧协议统一'。
这一篇换到 Retriever，重点就必须换成另一句：
Retriever解决的是'查询如何进入可检索系统'，不是'文档如何写进去'。
如果这两层边界不拆开，最常见的结果就是：
- 写入逻辑和检索逻辑缠在一起
- 业务代码里到处散落后端 SDK 细节
- 一旦你要换存储后端、换索引策略、加 callback，改动面会非常大
所以 Retriever 站在 RAG 链路里的位置，并不是'后面随便补一层的 search helper'。它就是读侧入口。
5. 用 VikingDB 看一遍最小检索闭环
如果只讲抽象，还是容易飘。最好的办法，是走一个完整的实现流程。
官方给了这样一个案例：
package main
import (
"context"
"log"
"github.com/cloudwego/eino-ext/components/retriever/volc_vikingdb"
)
// ptr 用来快速生成指针字段，便于给 TopK / ScoreThreshold 这类可选配置赋值。
func ptr[T any](v T) *T {
return &v
}
func main() {
ctx := context.Background()
// RetrieverConfig 描述的是'读侧'检索配置：
// 查询发往哪个集合 / 索引、怎么做向量化、召回多少条、过滤条件是什么。
cfg := &volc_vikingdb.RetrieverConfig{
// VikingDB 服务连接信息。
Host: "api-vikingdb.volces.com",
Region: "cn-beijing",
AK: "your-ak",
SK: "your-sk",
Scheme: "https",
ConnectionTimeout: 0, // 0 表示使用默认超时策略。
// 目标检索位置：集合 + 索引。
Collection: "eino_test",
Index: "test_index_1",
// 查询侧向量化配置：
// 这里使用内置 embedding 模型 bge-m3，并开启稀疏 + 稠密混合检索。
EmbeddingConfig: volc_vikingdb.EmbeddingConfig{
UseBuiltin: true,
ModelName: "bge-m3",
UseSparse: true,
DenseWeight: 0.4, // 稠密向量权重；其余权重可理解为给稀疏召回。
},
Partition: "",
// 检索参数：
// TopK 控制最多召回多少条，ScoreThreshold 控制最低分数阈值。
TopK: ptr(10),
ScoreThreshold: ptr(0.1),
// 可选过滤条件；这里不加过滤，表示直接查整个索引。
FilterDSL: nil,
}
r, err := volc_vikingdb.NewRetriever(ctx, cfg)
err != {
log.Fatal(err)
}
docs, err := r.Retrieve(ctx, )
err != {
log.Fatal(err)
}
_, doc := docs {
log.Printf(, doc.ID, doc.MetaData, doc.Content)
}
}
这段代码看起来不复杂，但里面几个字段都很值得注意。
Collection
Collection 对应的是这批文档所在的数据集。你可以把它理解成'更大一级的检索容器'。（很像 MySQL 里的 database 或一组业务表所在的逻辑库。）
Index
Index 对应检索时真正使用的索引。这一步很像上一篇里 Indexer 的镜像面：
Indexer决定内容怎么写进去Retriever决定查的时候落到哪个索引上
(Index 最像 MySQL 里的索引，但语义更重。在 MySQL 里，索引通常是表的附属加速结构；而在检索系统里，Index 往往就是检索请求真正落到的核心对象。)
Partition
Partition 对应索引中的子索引划分字段。如果你的知识库不是一锅端，而是按租户、业务、区域、版本再做细分，那这层就很有用了。
FilterDSL
(可以类比 MySQL 中的 where)
FilterDSL 对应标量过滤字段。
这点很工程。因为很多场景你不只是'找最像的内容'，还要先满足一层业务过滤，比如：
- 只看某个知识库
- 只看某个状态的数据
- 只看某个时间范围
如果没有 DSL 这层，后端明明支持过滤，你在组件层就很难把这个能力干净地挂出来。
EmbeddingConfig
这块是 VikingDB 示例最有代表性的地方。
它说明 query 不一定非得由你先手工转成向量再传进去。像这里 UseBuiltin: true，就是让检索器直接使用 VikingDB 的内置 embedding 配置去完成向量化。
这也是为什么我前面一直在说：
Retriever不是'搜结果'的那一下，而是'query 进入检索系统的整段过程'。
因为 query 在真正发起搜索前，可能已经先经历了向量化和过滤条件拼装。
TopK 和 ScoreThreshold
这两个参数一个控制'最多拿多少'，一个控制'低于多少不要'。别把它们混成一回事。
如果你后面想在单次调用时临时覆盖，也完全可以通过公共 option 去改，而不用把默认值写死在初始化配置里。
再补一句：
Milvus、Elasticsearch、OpenSearch 这些实现，初始化参数和搜索模式都不一样，但最后都会收口到同一条调用协议上：
docs, err := retriever.Retrieve(ctx, query, opts...)
这就说明 Retriever 抽象的不是某一家后端，而是读侧检索动作本身。
6. 为什么它能直接进 Chain、Graph 和 Callback
如果 Retriever 只是一个普通 SDK 包装层，它其实没必要出现在编排系统里。
但官方文档明确给出了这两种挂法：
chain := compose.NewChain[string, []*schema.Document]()
chain.AppendRetriever(retriever)
graph := compose.NewGraph[string, []*schema.Document]()
graph.AddRetrieverNode("retriever_node", retriever)
这已经说明一件很重要的事：
Retriever是正式运行时节点，不是藏在代码角落里的工具函数。
再看 callback。
官方示例里，Retriever 这层可以直接挂 retriever.CallbackInput 和 retriever.CallbackOutput：
handler := &callbacksHelper.RetrieverCallbackHandler{
OnStart: func(ctx context.Context, info *callbacks.RunInfo, input *retriever.CallbackInput) context.Context {
log.Printf("query=%s topK=%d", input.Query, input.TopK)
return ctx
},
OnEnd: func(ctx context.Context, info *callbacks.RunInfo, output *retriever.CallbackOutput) context.Context {
log.Printf("docs=%d", len(output.Docs))
return ctx
},
}
helper := callbacksHelper.NewHandlerHelper().Retriever(handler).Handler()
chain := compose.NewChain[string, []*schema.Document]()
chain.AppendRetriever(retriever)
runner, _ := chain.Compile(ctx)
docs, _ := runner.Invoke(ctx, "怎么申请退款", compose.WithCallbacks(helper))
_ = docs
这段代码最值得盯住的，不是日志打印，而是它暴露出来的事实：
- 你能在
OnStart里看到 query 和运行时参数 - 你能在
OnEnd里拿到检索结果 - 检索过程本身可以进入统一追踪和观测链路
这对排障非常重要。
因为 RAG 项目里最难受的问题之一就是：
'答案不对，到底是模型幻觉，还是前面的召回就错了？'
如果 Retriever 没进入 callback 链路，这个问题会很难查。你最后只能在业务层加一堆散乱日志，既不整洁，也不稳定。
7. 亲手实现一个 Retriever 时，哪些细节不可省
如果你要自己接一个新的检索后端，官方文档其实已经把骨架给得很清楚了。
真正要守住的顺序，大致就是下面这条：
retriever.GetCommonOptionscallbacks.ManagerFromContextOnStartdoRetrieveOnErrorOnEnd
可以先看一个收过边界的骨架：
type MyRetriever struct {
index string
topK int
embedder embedding.Embedder
}
func (r *MyRetriever)Retrieve(
ctx context.Context,
query string,
opts ...retriever.Option,
) ([]*schema.Document, error) {
// 合并默认配置和本次调用传入的可选项。
commonOpts := retriever.GetCommonOptions(&retriever.Options{
Index: &r.index,
TopK: &r.topK,
Embedding: r.embedder,
}, opts...)
// 从 context 中取出 callback manager，用于统一派发开始 / 结束 / 错误事件。
cm := callbacks.ManagerFromContext(ctx)
runInfo := &callbacks.RunInfo{}
// 检索开始前触发 OnStart，把这次调用的输入信息暴露给 callback 链路。
ctx = cm.OnStart(ctx, runInfo, &retriever.CallbackInput{
Query: query,
TopK: *commonOpts.TopK,
ScoreThreshold: commonOpts.ScoreThreshold,
Extra: map[string]any{
"index": commonOpts.Index,
"sub_index": commonOpts.SubIndex,
"dsl": commonOpts.DSLInfo,
},
})
// 真正执行检索逻辑。
docs, err := r.doRetrieve(ctx, query, commonOpts)
if err != nil {
// 检索失败时触发 OnError，便于日志、trace、监控等统一处理。
ctx = cm.OnError(ctx, runInfo, err)
return nil, err
}
// 检索成功后触发 OnEnd，把结果交给 callback 链路。
ctx = cm.OnEnd(ctx, runInfo, &retriever.CallbackOutput{
Docs: docs,
})
return docs, nil
}
func (r *MyRetriever) doRetrieve(
ctx context.Context,
query string,
opts *retriever.Options,
) ([]*schema.Document, error) {
var queryVector []float64
// 如果配置了 Embedding，就先把 query 向量化，再交给后端检索。
if opts.Embedding != nil {
vectors, err := opts.Embedding.EmbedStrings(ctx, []string{query})
err != {
, err
}
queryVector = vectors[]
}
_ = queryVector
docs := []*schema.Document{
{
ID: ,
Content: ,
MetaData: []any{
: ,
: ,
: ,
},
},
}
docs,
}
这段骨架里，有两点特别不能省。
第一，Embedding 只在需要时调用。
不是所有检索后端都要求你在组件里自己生成 query 向量。有的后端支持内置 embedding，有的实现则会直接走关键词或混合检索。
所以这里正确的姿势不是'无脑先 embed 一下'，而是：
调用前先看
opts.Embedding，有就用，没有就按实现自己的检索模式走。
第二，要把后续节点可能会用到的 metadata 补齐。
很多人自己实现 Retriever 时，只想着把正文查出来。这当然能跑，但后面一接真实业务就会发现不够用。
至少下面这些信息，通常值得带出去：
- 召回分数
- 来源标识
- 后端文档 ID
- 命中的索引或分区
- 你实现里特有的上下文信息
因为后续节点不一定只看 Content。它可能要做来源展示、结果解释、问题排查，甚至还要继续做 rerank 或引用标注。
如果 metadata 在这里丢了，后面再补就会很别扭。
8. 5 个最容易把 Retriever 用浅的坑
8.1 把 Retriever 当成 SDK 薄封装
这是最常见的误区。
一旦你这么理解，代码里就会到处散落后端专属请求结构、过滤逻辑和日志逻辑。最后不是 Eino 在帮你统一边界，而是你自己把边界重新打碎了。
8.2 不看 MetaData，后面就追不动来源和分数
只拿正文，不看 metadata，短 demo 没什么感觉。
可一到线上，你很快就会遇到这些问题：
- 这段答案是从哪篇文档来的？
- 这条结果分数到底高不高？
- 它命中了哪个索引或分区？
这些都离不开 metadata。
8.3 TopK 和阈值写死
很多项目最开始为了省事，直接把 TopK=5、threshold=0.3 固定死。
问题是不同场景需要的召回范围并不一样。而且阈值本身还是过滤条件，不是排序条件。一旦写死，后面要调优效果就会非常别扭。
8.4 查询 embedding 和底库向量配置不匹配
这是检索效果异常里非常高频的一类问题。
写入时用的是一种模型，查询时换了另一种模型，或者维度根本对不上，最后最直观的表现就是：
'库里明明有内容，可就是召不准。'
别一上来就怀疑数据脏了，先看 query embedding 和底库配置是不是同一套。
8.5 不接 callback，召回问题很难排
RAG 项目里，很多问题不是'功能坏了'，而是'效果不稳定'。
这类问题如果没有 callback，你很难快速判断：
- 这次 query 进来时到底用了什么参数
- 检索结果到底返回了几条
- 是前面没召回到，还是后面模型没用好
所以 callback 不是锦上添花，它在检索层经常就是排障入口。
9. 总结
用一句话总结：
Retrieve的本质不是'调一次 search'，而是'让 query 以统一协议进入读侧检索系统'。
注意三点：
Retriever解决的是读侧协议统一，不是某家后端 SDK 的简单包一层Retrieve里可能同时发生向量化、过滤、召回、结果解析和 callback 触发Indexer管'怎么写进去'，Retriever管'怎么查出来'，两层边界不能混
参考资料
- CloudWeGo Eino Retriever 使用说明
- CloudWeGo Eino components/retriever/interface.go
- CloudWeGo Eino components/retriever/option.go
