LangChain教程：向量存储 作者：马育民 • 2026-02-28 20:48 • 阅读：10010 # 介绍 向量搜索是 LangChain 实现 RAG（检索增强生成）的核心环节，本质是： 1. 将文本片段（如拆分后的企业报告）转为「向量嵌入」（数值向量），存入向量数据库； 2. 用户提问时，先将问题转为向量，在向量库中「检索语义相似的文本片段」； 3. 将相似片段作为上下文传给大模型，生成精准回答（避免大模型“胡说”）。 # RAG流程 1. **文档处理（预处理+向量化）**：将你的私有文档（PDF、TXT、Word等）切割成小片段（避免文本过长），再通过嵌入模型（Embedding）转换成一串数字（向量）——向量是大模型“理解”文本语义的核心，语义越相似，向量越接近； [](https://www.malaoshi.top/upload/0/0/1GW2pCbNBiGA.png) 2. **检索（语义匹配）**：用户提问后，同样将问题转换成向量，然后在向量数据库中，快速检索出和问题向量最相似的N个文档片段（这一步是RAG的核心，检索的准确性直接决定回答质量）； [](https://www.malaoshi.top/upload/0/0/1GW2pCbxgoJE.png) [](https://www.malaoshi.top/upload/0/0/1GW2pCcFsiQH.png) 3. **生成（大模型整合）**：将“用户问题+检索到的文档片段”拼接成Prompt，发给大模型，大模型基于这些真实信息，生成准确、无幻觉的回答，最后返回给用户。 [](https://www.malaoshi.top/upload/0/0/1GW2pCcapqJK.png) 补充：整个流程中，**向量数据库**负责存储向量、实现快速检索，**框架工具**（LangChain）负责串联整个流程，**大模型**负责最终生成回答，三者缺一不可。 ## 1. 嵌入模型（Embeddings）- 文本转向量 将文本（问题/文档片段）转为固定长度的数值向量，是向量搜索的基础； **常用选型**： - 开源：`SentenceTransformerEmbeddings`（适配中文的 `all-MiniLM-L6-v2`/`text2vec-base-chinese`）； - 闭源：`OpenAIEmbeddings`（text-embedding-3-small）、`BaiduERNIEEmbeddings`（文心一言）； **注意**：中文场景优先选「中文专用嵌入模型」，避免英文模型的语义偏差。 ## 2. 向量存储（Vector Stores）- 向量的“数据库” 存储向量嵌入+关联的文本片段/元数据，提供相似性检索能力； **常用选型（按场景）**： | 向量库类型 | 代表组件 | 适用场景 | |------------------|-------------------------|-----------------------------------| | 轻量本地 | `FAISS`/`Chroma` | 原型开发、小数据量（万级片段）| | 企业级部署 | `Pinecone`/`Milvus` | 大数据量（百万级）、高并发检索 | | 数据库集成 | `PGVector`（PostgreSQL）| 需和业务数据库联动的场景 | **特点**：LangChain 封装了统一的 API，切换向量库无需修改核心逻辑。 ## 3. 检索器（Retrievers）- 向量搜索的“调度器” 封装向量搜索逻辑，提供标准化的检索接口，是连接向量库和大模型的关键； **常用类型**： - `VectorStoreRetriever`：基础检索器，直接调用向量库的相似性搜索； - `BM25Retriever`：关键词检索（补充向量搜索，提升精准度）； - `EnsembleRetriever`：融合向量+关键词检索（最优解）； **核心配置**： - `k`：每次检索返回的相似片段数（默认4-8，过多易导致上下文冗余）； - `score_threshold`：相似度阈值（过滤低相似度片段，如仅保留相似度>0.7的结果）。 ### 三、LangChain 向量搜索的核心流程（无代码） 1. **数据入库**： - 用文件加载器（如 `Docx2txtLoader`）加载文档 → 文本分割器拆分片段； - 嵌入模型将每个片段转为向量 → 存入向量库（关联文本/元数据）。 2. **检索问答**： - 用户提问 → 嵌入模型将问题转为向量； - 检索器调用向量库，按「余弦相似度」检索最相似的 `k` 个片段； - 将问题+相似片段传给大模型 → 生成回答。 # 常见问题 | 问题 | 核心原因 | 解决方案 | |---------------------|---------------------------|-----------------------------------| | 检索结果不相关 | 嵌入模型语义偏差/拆分过粗 | 换中文嵌入模型+缩小chunk_size | | 检索结果过多/冗余 | k值过大/无相似度阈值 | 降低k值+设置score_threshold | | 中文检索偏差大 | 用了英文嵌入模型 | 切换为text2vec-base-chinese | | 检索速度慢 | 向量库未索引/数据量过大 | FAISS建索引/换Milvus/Pinecone | # 总结 1. **核心逻辑**：LangChain 向量搜索 = 嵌入模型（文本转向量） + 向量库（存向量） + 检索器（搜向量），是 RAG 的核心； 2. **选型原则**：轻量场景用 FAISS/Chroma + 中文开源嵌入模型，企业级用 Pinecone/Milvus + 闭源嵌入模型； 原文出处：http://malaoshi.top/show_1GW2rUkHAzhw.html