Learn
Langchain.js/11-retrievers

检索器 Retrievers

Retriever（检索器） 是 RAG 中「根据用户问题取回相关文档」的统一抽象。它把底层的向量库、搜索引擎等封装成 getRelevantDocuments(query) 接口，可直接 pipe 进 LCEL。

1. VectorStoreRetriever

最常用：把上一章的 Vector Store 包装成检索器，设定取回数量 k：

import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";
 
const vectorStore = await MemoryVectorStore.fromDocuments(
  splits,
  new OpenAIEmbeddings()
);
 
const retriever = vectorStore.asRetriever({
  k: 4,                 // 取回 4 块
  searchType: "mmr",     // similarity | mmr
});
 
const docs = await retriever.getRelevantDocuments("如何配置 API Key？");
ℹ️检索器是 Runnable

retriever 本身可作为 LCEL 的一环：{ context: retriever, question: (i) => i.q }，下游直接拿到检索结果。

2. 在 RAG 链中使用

把「检索结果」塞进提示词，让模型基于证据回答：

import { ChatPromptTemplate } from "@langchain/core/prompts";
import { RunnableSequence } from "@langchain/core/runnables";
 
const prompt = ChatPromptTemplate.fromTemplate(
  "根据上下文回答：\n{context}\n\n问题：{question}"
);
 
const ragChain = RunnableSequence.from([
  {
    context: retriever,                       // 输入 question → 检索文档
    question: (input: { question: string }) => input.question,
  },
  prompt,
  new ChatOpenAI({ model: "gpt-4o-mini" }),
  new StringOutputParser(),
]);
 
await ragChain.invoke({ question: "如何配置 API Key？" });

3. ParentDocumentRetriever

小块检索、大块喂给模型，兼顾「检索精度」与「上下文完整」：

import { ParentDocumentRetriever } from "langchain/retrievers/parent_document";
import { InMemoryStore } from "langchain/stores/memory/in_memory";
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
 
const parentSplitter = new RecursiveCharacterTextSplitter({ chunkSize: 2000 });
const childSplitter = new RecursiveCharacterTextSplitter({ chunkSize: 400 });
 
const retriever = new ParentDocumentRetriever({
  vectorstore,          // 用 child 小块建索引
  documentCompressor: undefined,
  parentSplitter,
  childSplitter,
  docstore: new InMemoryStore(), // 保存 parent 大块
});
💡为什么用 Parent 检索器

只用 400 字小块检索很精准，但喂给模型时上下文太碎。Parent 检索器检索到小块后，自动回查并返还它所属的大块，模型看得更全。

4. 检索增强技巧

技巧作用
MMR 搜索去冗余，覆盖多角度
元数据过滤按 source/date 缩小范围
重排（Re-rank）用交叉编码器对初筛结果再排序
多查询（Multi-query）把问题改写多份再检索，提升召回
⚠️垃圾进垃圾出

检索质量直接决定 RAG 上限。切分参数、嵌入模型、检索数量都要针对你的语料调优，别指望「接上就能用」。

🎯练习

用 ParentDocumentRetriever 改造第 10 章的 MemoryVectorStore，对比「直接检索」与「父文档检索」在长文档上的回答质量。

小结

  • Retriever 统一了「取回相关文档」的接口，是 LCEL 的一环
  • vectorStore.asRetriever({ k, searchType }) 最常用
  • ParentDocumentRetriever 小块检索、大块喂模型，兼顾精度与完整
  • 检索质量决定 RAG 上限
  • 下章进入 Agent：让模型自己决定调用工具 →