向量库与嵌入 Vector Stores

RAG 的「检索」依赖嵌入（Embeddings）：把文本映射成高维向量，语义相近的文本向量距离也更近。Vector Store 负责存储这些向量并提供相似度搜索。

1. Embeddings 模型

import { OpenAIEmbeddings } from "@langchain/openai";
 
const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small", // 1536 维
});
 
const vector = await embeddings.embedQuery("什么是向量检索？");
console.log(vector.length); // 1536

embedDocuments(texts[]) 批量嵌入文档，embedQuery(text) 嵌入查询——二者常分开计费/处理。

2. 内存向量库 MemoryVectorStore

原型与测试首选，数据存内存，进程退出即丢失：

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
import { TextLoader } from "langchain/document_loaders/fs/text";
 
const docs = await new TextLoader("./docs/intro.md").load();
const splits = await new RecursiveCharacterTextSplitter({
  chunkSize: 500,
  chunkOverlap: 50,
}).splitDocuments(docs);
 
const vectorStore = await MemoryVectorStore.fromDocuments(
  splits,
  new OpenAIEmbeddings()
);
 
const results = await vectorStore.similaritySearch("如何安装？", 3);
console.log(results[0].pageContent);

ℹ️fromDocuments vs addDocuments

fromDocuments 一步创建并填充；已建好的 vectorStore 可用 addDocuments(...) 增量追加。

3. 生产级向量库

内存库不适合生产，常用外部向量库：

向量库	包	特点
PGVector	`@langchain/community`	复用 PostgreSQL，事务/备份方便
Qdrant	`@langchain/community`	高性能专用向量库
Chroma	`@langchain/community`	轻量、本地优先
Milvus / Pinecone	对应集成	大规模云原生

import { PGVectorStore } from "@langchain/community/vectorstores/pgvector";
import { Pool } from "pg";
 
const store = await PGVectorStore.initialize(
  new OpenAIEmbeddings(),
  { pool: new Pool({ connectionString: process.env.DATABASE_URL }) }
);
await store.addDocuments(splits);

⚠️嵌入模型必须一致

写入和查询必须用同一个嵌入模型。换了模型维度/语义都变了，旧向量会全部失准。

4. 相似度搜索变体

similaritySearch(query, k)：返回最相似的 k 个文档
similaritySearchWithScore：额外返回距离分数
maxMarginalRelevanceSearch（MMR）：在相关与多样间平衡，减少冗余

🎯练习

用 MemoryVectorStore 装入一份你自己的笔记，分别用 similaritySearch 与 maxMarginalRelevanceSearch 查询同一问题，对比返回结果差异。

小结

嵌入把文本转成向量，语义相近则距离近
MemoryVectorStore 适合原型；生产用 PGVector/Qdrant 等
写入与查询必须同一嵌入模型
下章用 Retriever 把向量库接进链 →