LangChain 中向量存储和检索器的核心概念与使用方法。涵盖了文档对象的结构、基于 Chroma 的向量存储初始化与查询方式，以及通过 Retriever 集成到 LangChain 表达式语言（LCEL）的流程。最后展示了如何将检索结果与 LLM 结合构建简单的 RAG 应用。
本文将介绍 LangChain 的向量存储和抽象检索器。支持从向量数据库和其他来源检索数据，并与大模型的工作流集成。这对于需要检索数据以进行推理的应用程序非常重要，例如检索增强生成（RAG）的情况。
本指南专注于文本数据的检索流程，涵盖以下核心组件：
运行本教程需要安装以下 Python 包：
pip install langchain langchain-chroma langchain-openai
为了启用 LangSmith 追踪，需设置环境变量。在终端中执行：
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="your_api_key_here"
若在 Jupyter Notebook 中，可使用以下方式动态设置：
import getpass
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
LangChain 中的 Document 对象是处理文本的基本单元，它由两部分组成：
单个文档通常代表较大文档的一个切片。以下是创建文档对象的示例：
from langchain_core.documents import Document
documents = [
Document(
page_content="Dogs are great companions, known for their loyalty and friendliness.",
metadata={"source": "mammal-pets-doc", "type": "pet"},
),
Document(
page_content="Cats are independent pets that often enjoy their own space.",
metadata={"source": "mammal-pets-doc", "type": "pet"},
),
Document(
page_content="Goldfish are popular pets for beginners, requiring relatively simple care.",
metadata={"source": "fish-pets-doc", "type": "pet"},
),
Document(
page_content="Parrots are intelligent birds capable of mimicking human speech.",
metadata={"source": "bird-pets-doc", "type": "pet"},
),
Document(
page_content="Rabbits are social animals that need plenty of space to hop around.",
metadata={"source": "mammal-pets-doc", "type": "pet"},
),
]
向量搜索是将非结构化文本转换为数值向量进行存储和检索的技术。通过嵌入模型（Embedding Model），文本被映射为高维空间中的向量。查询时，将问题也转化为向量，计算相似度以找到最相关的文档。
LangChain 提供了多种向量存储后端，包括内存型（如 Chroma）、云托管型及本地部署型。以下演示使用 Chroma 作为内存向量存储：
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
vectorstore = Chroma.from_documents(
documents,
embedding=OpenAIEmbeddings(),
)
实例化后，可通过多种方式查询：
示例代码：
# 字符串查询
results = vectorstore.similarity_search("cat")
# 异步查询
async_results = await vectorstore.asimilarity_search("cat")
# 带分数查询
results_with_score = vectorstore.similarity_search_with_score("cat")
# 向量查询
embedding = OpenAIEmbeddings().embed_query("cat")
vector_results = vectorstore.similarity_search_by_vector(embedding)
虽然 VectorStore 功能强大，但它不直接继承自 Runnables，难以直接融入 LangChain 表达式语言（LCEL）。Retriever 接口则标准化了检索行为，支持 invoke 和 batch 等操作，更适合链式调用。
可以通过包装 similarity_search 方法创建自定义检索器：
from typing import List
from langchain_core.runnables import RunnableLambda
retriever = RunnableLambda(vectorstore.similarity_search).bind(k=1)
result = retriever.batch(["cat", "shark"])
更推荐直接使用 as_retriever 方法，它封装了常见的搜索策略：
retriever = vectorstore.as_retriever(
search_type="similarity",
search_kwargs={"k": 1},
)
VectorStoreRetriever 支持多种搜索类型，包括默认相似度、最大边际相关性（MMR）以及基于分数的阈值过滤。这有助于在相关性和多样性之间取得平衡。
检索器可轻松整合到 RAG 应用中，将检索到的上下文与 LLM 提示词结合。以下是一个基于 LCEL 的最简 RAG 链示例：
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
# 初始化 LLM
llm = ChatOpenAI(model="gpt-3.5-turbo-0125")
# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
("human", "Answer this question using the provided context only.\n{question}\nContext:\n{context}")
])
# 构建链
rag_chain = {"context": retriever, "question": RunnablePassthrough()} | prompt | llm
# 执行查询
response = rag_chain.invoke("tell me about cats")
print(response.content)
此流程首先通过检索器获取上下文，然后将其填入提示词，最后发送给 LLM 生成回答。这种模式显著提升了大模型回答的准确性和事实依据。
本文详细讲解了 LangChain 中向量存储与检索器的核心用法。通过 Document 管理文本数据，利用 VectorStore 进行向量化存储与检索，并通过 Retriever 接口实现标准化调用。最终结合 LLM 构建了基础的 RAG 应用架构。掌握这些组件是开发高级检索增强应用的基础。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online