LangChain向量存储与检索器快速入门指南

使用LangChain的向量存储和检索器

准备好体验LangChain的魔力了吗？今天我们要探索的是向量存储和检索器抽象，这是LLM工作流中不可或缺的一部分。我们将揭开它们的神秘面纱，并看看它们如何帮助我们从数据库和其他数据源中检索数据，特别是在需要进行检索增强生成（RAG）时。这不仅是技术上的飞跃，也是让你的应用程序更智能、更高效的关键一步。

核心概念

在这个教程中，我们将主要关注文本数据的检索。首先，我们需要了解以下几个关键概念：

让我们从安装和设置开始，然后深入了解每一个概念。

设置

Jupyter Notebook

本教程及其他教程都推荐在Jupyter Notebook中运行。具体安装步骤请参阅这里。

安装

你需要安装langchain、langchain-chroma和langchain-openai包：

pip install langchain langchain-chroma langchain-openai

更多详细信息，请参阅我们的安装指南。

LangSmith

随着你构建的LangChain应用程序变得越来越复杂，能够检查链或代理内部发生的情况变得至关重要。最好的方法是使用LangSmith。

注册后，设置环境变量以开始记录跟踪：

export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="..."

或者在notebook中，可以这样设置：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

文档

LangChain实现了一个文档抽象，代表一个文本单元及其相关的元数据。它有两个属性：

元数据属性可以捕捉文档的来源、与其他文档的关系等信息。通常，一个文档对象代表一个更大文档的片段。

来生成一些示例文档吧：

from langchain_core.documents import Document

documents = [
    Document(
        page_content="狗是忠诚且友好的伴侣。",
        metadata={"source": "mammal-pets-doc"},
    ),
    Document(
        page_content="猫是独立的宠物，喜欢自己的空间。",
        metadata={"source": "mammal-pets-doc"},
    ),
    Document(
        page_content="金鱼是新手的理想宠物，养护简单。",
        metadata={"source": "fish-pets-doc"},
    ),
    Document(
        page_content="鹦鹉是聪明的鸟类，能够模仿人类说话。",
        metadata={"source": "bird-pets-doc"},
    ),
    Document(
        page_content="兔子是社交动物，需要足够的空间跳跃。",
        metadata={"source": "mammal-pets-doc"},
    ),
]

向量存储

向量搜索是一种常见的存储和搜索非结构化数据（如文本）的方式。基本思路是将文本存储为数值向量，给定查询时，可以将其嵌入为相同维度的向量，并使用向量相似度度量来识别存储中相关的数据。

LangChain的VectorStore对象包含添加文本和文档对象到存储中的方法，并使用各种相似度度量进行查询。它们通常会与嵌入模型一起初始化，这决定了文本数据如何转换为数值向量。

LangChain包括一套与不同向量存储技术的集成。一些向量存储由提供商托管（如各种云提供商），需要特定凭据使用；一些（如Postgres）在单独的基础设施上运行，可以本地或通过第三方运行；另一些可以在内存中运行，适合轻量级工作负载。这里我们将展示如何使用Chroma实现的LangChain VectorStores。

要实例化向量存储，我们通常需要提供一个嵌入模型来指定文本应如何转换为数值向量。这里我们将使用OpenAI嵌入模型。

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma.from_documents(
    documents,
    embedding=OpenAIEmbeddings(),
)

调用.from_documents会将文档添加到向量存储中。VectorStore实现了添加文档的方法，可以在对象实例化后调用。大多数实现允许你连接到现有的向量存储，例如，通过提供客户端、索引名称或其他信息。有关特定集成的更多详细信息，请参阅文档。

一旦我们实例化了包含文档的VectorStore，我们可以查询它。VectorStore包括查询方法：

这些方法的输出通常包含一个文档对象列表。

示例

根据与字符串查询的相似度返回文档：

vectorstore.similarity_search("cat")

# 输出示例：
[
    Document(page_content='猫是独立的宠物，喜欢自己的空间。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='狗是忠诚且友好的伴侣。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='兔子是社交动物，需要足够的空间跳跃。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='鹦鹉是聪明的鸟类，能够模仿人类说话。', metadata={'source': 'bird-pets-doc'})
]

异步查询：

await vectorstore.asimilarity_search("cat")

# 输出示例：
[
    Document(page_content='猫是独立的宠物，喜欢自己的空间。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='狗是忠诚且友好的伴侣。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='兔子是社交动物，需要足够的空间跳跃。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='鹦鹉是聪明的鸟类，能够模仿人类说话。', metadata={'source': 'bird-pets-doc'})
]

返回分数：

vectorstore.similarity_search_with_score("cat")

# 输出示例：
[
    (Document(page_content='猫是独立的宠物，喜欢自己的空间。', metadata={'source': 'mammal-pets-doc'}), 0.3751849830150604),
    (Document(page_content='狗是忠诚且友好的伴侣。', metadata={'source': 'mammal-pets-doc'}), 0.48316916823387146),
    (Document(page_content='兔子是社交动物，需要足够的空间跳跃。', metadata={'source': 'mammal-pets-doc'}), 0.49601367115974426),
    (Document(page_content='鹦鹉是聪明的鸟类，能够模仿人类说话。', metadata={'source': 'bird-pets-doc'}), 0.4972994923591614)
]

基于嵌入查询返回文档：

embedding = OpenAIEmbeddings().embed_query("cat")

vectorstore.similarity_search_by_vector(embedding)

# 输出示例：
[
    Document(page_content='猫是独立的宠物，喜欢自己的空间。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='狗是忠诚且友好的伴侣。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='兔子是社交动物，需要足够的空间跳跃。', metadata={'source': 'mammal-pets-doc'}),
    Document(page_content='鹦鹉是聪明的鸟类，能够模仿人类说话。', metadata={'source': 'bird-pets-doc'})
]

了解更多：

检索器

LangChain的VectorStore对象不继承Runnable，因此不能直接集成到LangChain表达语言链中。

LangChain的检索器是可运行的，因此实现了一套标准方法（如同步和异步调用和批处理操作），并设计为可以集成到LCEL链中。

我们可以自己创建一个

简单版本，而不需要继承Retriever。选择我们希望使用的检索文档的方法，可以很容易地创建一个可运行的。下面我们将围绕similarity_search方法构建一个：

from typing import List
from langchain_core.documents import Document
from langchain_core.runnables import RunnableLambda

retriever = RunnableLambda(vectorstore.similarity_search).bind(k=1)  # 选择最优结果

retriever.batch(["cat", "shark"])

向量存储实现了一个as_retriever方法，该方法将生成一个检索器，特别是一个VectorStoreRetriever。这些检索器包括特定的search_type和search_kwargs属性，标识调用底层向量存储的哪些方法以及如何参数化它们。例如，我们可以复制上面的内容：

retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 1},
)

retriever.batch(["cat", "shark"])

# 输出示例：
[
    [Document(page_content='猫是独立的宠物，喜欢自己的空间。', metadata={'source': 'mammal-pets-doc'})],
    [Document(page_content='金鱼是新手的理想宠物，养护简单。', metadata={'source': 'fish-pets-doc'})]
]

VectorStoreRetriever支持“相似性”（默认）、“mmr”（最大边际相关性）和“相似性分数阈值”的搜索类型。我们可以使用后者通过相似性分数阈值来筛选检索器输出的文档。

检索器可以轻松集成到更复杂的应用程序中，例如将检索到的上下文与问题结合形成LLM提示的检索增强生成（RAG）应用程序。下面是一个最小示例。

pip install -qU langchain-openai

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

message = """
使用提供的上下文回答以下问题。

{question}

上下文：
{context}
"""

prompt = ChatPromptTemplate.from_messages([("human", message)])

rag_chain = {"context": retriever, "question": RunnablePassthrough()} | prompt | llm

response = rag_chain.invoke("告诉我关于猫的知识")

print(response.content)

输出示例：

猫是独立的宠物，喜欢自己的空间。

恭喜你！你现在已经掌握了使用LangChain的向量存储和检索器的基础知识。继续探索，打造更智能、更强大的应用程序吧！

作者：数字沉思