大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之新版LangChain向量数据库VectorStore设计全解析

---

前情摘要

1、零基础学AI大模型之读懂AI大模型

零基础学AI大模型之相似度Search与MMR最大边界相关搜索实战

一、实战核心目标

1. 吃透相似度搜索与MMR搜索的核心原理和差异
2. 掌握两种搜索的参数配置（含Milvus专属优化参数）
3. 明确不同业务场景下的搜索策略选型方法
4. 实现基于向量数据库的两种搜索方案落地代码
5. 理解企业级推荐系统中两种策略的组合应用逻辑

二、行业应用案例：一眼看懂两者差异

先通过电商推荐的真实场景，直观感受两种搜索的核心区别，再深入原理：

• 相似度搜索：用户点击了“无线蓝牙耳机”，系统推荐“降噪蓝牙耳机”“迷你蓝牙耳机”——结果高度相关，聚焦同一品类。
• MMR搜索：用户历史浏览过“无线蓝牙耳机”“机械键盘”“便携充电宝”，系统推荐“无线充电器”“电竞鼠标”“移动硬盘”——兼顾相关性与多样性，覆盖跨品类需求。

简单说：相似度搜索追求“精准匹配”，MMR搜索追求“相关且不重复”。

三、基础相似度搜索（Similarity Search）

相似度搜索是向量检索的基础，也是最常用的搜索策略，核心是“找最像的”。

3.1 核心原理

通过向量空间中的距离计算（如余弦相似度、L2欧氏距离），找出与目标向量几何距离最近的结果。距离越近，向量代表的语义或特征越相似。

3.2 核心特点

• 纯向量驱动：仅依赖向量距离判断相关性，不考虑结果多样性。
• 结果同质化：返回的是向量空间中“连续区域”的数据，容易出现内容重复。
• 高性能：时间复杂度为O(n + klogk)，检索速度快，资源消耗低。

3.3 参数配置模板（Milvus+LangChain适配）

无论是直接调用向量数据库API，还是通过LangChain的Retriever接口，都支持灵活配置参数：

# 方式1：直接调用向量库similarity_search方法
similar_results = vector_store.similarity_search(
    query="AI大模型的发展趋势",  # 查询文本（或直接传入向量）
    k=5,  # 返回结果数量
    score_threshold=0.65,  # 相似度阈值（仅保留≥65%相似的结果）
    filter="category == 'AI' and publish_time > '2024-01-01'",  # 元数据过滤
)

# 方式2：通过Retriever接口配置（推荐RAG系统使用）
similar_retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={
        "k": 5,
        "score_threshold": 0.65,
        "filter": "category == 'AI'",
        "param": {  # Milvus专属优化参数
            "nprobe": 32,  # 搜索时访问的聚类中心数，越大越精准但耗时越长
            "radius": 0.8  # 范围搜索半径，结合阈值限定结果范围
        }
    }
)
# 执行检索
results = similar_retriever.get_relevant_documents("AI大模型的发展趋势")

3.4 典型应用场景

• 精确语义匹配：专利检索、论文查重、法律条文匹配（需高精准度）。
• 基于内容的推荐：视频APP“更多类似内容”、电商“猜你喜欢（同品类）”。
• 敏感信息过滤：垃圾邮件识别、违规内容检测（高阈值精准匹配）。

四、最大边界相关搜索（MMR Search）

Maximal Marginal Relevance（MMR），即最大边际相关性，核心是“平衡相关与多样”。

4.1 核心原理

解决传统相似度搜索的“信息冗余”问题，在保证结果与查询相关的前提下，最大化结果之间的差异性。算法流程如下：

1. 先获取一个较大的候选集（通过fetch_k参数指定，如20条）。
2. 对候选集按与查询的相似度排序。
3. 迭代选择结果：每次选“与查询相关度高”且“与已选结果差异大”的条目。
4. 最终从候选集中筛选出k条结果，兼顾相关性与多样性。
   

4.2 核心特点

• 平衡双目标：既保证结果与查询相关，又避免内容重复。
• 候选集依赖：需先获取较大候选集，再筛选，计算成本高于相似度搜索。
• 灵活性强：通过参数调节相关性与多样性的权重。

4.3 参数配置模板（Milvus+LangChain适配）

MMR的参数比相似度搜索多了“候选集大小”和“权衡系数”，重点关注fetch_k和lambda_mult：

# 方式1：直接调用vector_store的mmr搜索方法
mmr_results = vector_store.max_marginal_relevance_search(
    query="AI大模型的发展趋势",
    k=3,  # 最终返回结果数量
    fetch_k=20,  # 候选集大小（需大于k，越大多样性越优）
    lambda_mult=0.6,  # 权衡系数（0-1），越大越偏向相关性，越小越偏向多样性
    filter="category == 'AI'",
)

# 方式2：通过Retriever接口配置（RAG系统落地首选）
mmr_retriever = vector_store.as_retriever(
    search_type="mmr",
    search_kwargs={
        "k": 3,
        "fetch_k": 20,
        "lambda_mult": 0.6,
        "param": {  # Milvus专属参数
            "nprobe": 64,  # IVF索引聚类访问数，提升候选集召回率
            "ef": 128  # HNSW索引搜索深度，越大越精准
        }
    }
)
# 执行检索
results = mmr_retriever.get_relevant_documents("AI大模型的发展趋势")

4.4 关键参数解析

参数	作用说明	取值建议
k	最终返回的结果数量	3-10（根据业务场景调整）
fetch_k	候选集大小	通常为k的3-5倍（如k=3→20）
lambda_mult	相关性与多样性的权衡系数	0.5-0.7（平衡两者）
nprobe	Milvus IVF索引聚类访问数	32-64（精准与速度平衡）
ef	Milvus HNSW索引搜索深度	64-128（大数据量用128）

4.5 典型应用场景

• 多样化推荐：电商跨品类推荐、内容平台“探索页”（避免用户审美疲劳）。
• 知识发现：科研文献调研、学术论文综述（需覆盖多视角观点）。
• 内容生成：AI文案创作、报告撰写（需多样化素材支撑，避免重复）。

五、相似度搜索 vs MMR搜索：对比决策矩阵

对比维度	相似度搜索（Similarity）	MMR搜索（Maximal Marginal Relevance）
结果质量	高相关性，但易重复	相关性达标，多样性更优
响应速度	快（平均120ms）	中等（平均200-300ms）
内存消耗	低（仅存储topK结果）	高（需缓存fetch_k候选集）
适用场景	精确匹配、去重、敏感信息过滤	推荐系统、知识发现、多样化内容检索
可解释性	强（直接按相似度排序）	中等（需结合相关性+多样性评分解释）
计算成本	低	中高（多一轮候选集筛选）

六、企业级推荐系统架构示例（两种策略组合）

在实际业务中，很少单独使用一种搜索策略，通常会组合使用以兼顾精准度和用户体验。以电商推荐系统为例：

用户行为数据（点击/收藏/购买）→ 特征提取→ 生成用户兴趣向量
→ 第一步：相似度搜索（筛选top20高相关商品，保证精准性）
→ 第二步：MMR重排（从20条中筛选10条，保证多样性）
→ 第三步：业务规则过滤（价格区间、库存状态）
→ 最终推荐给用户

核心逻辑：用相似度搜索保证“用户可能喜欢”，用MMR保证“用户不会觉得重复”，再用业务规则兜底“推荐有效商品”。

七、实战关键注意事项

1. 参数调优优先级：先确定搜索策略，再调k和fetch_k，最后调lambda_mult（MMR）和nprobe（Milvus）。
2. 阈值使用场景：相似度搜索适合加score_threshold，MMR不建议加（会限制多样性）。
3. 候选集大小：MMR的fetch_k不能太小（至少是k的3倍），否则无法保证多样性。
4. 索引适配：Milvus的IVF索引重点调nprobe，HNSW索引重点调ef，参数越大精准度越高但速度越慢。
5. 业务结合：如果是RAG系统的“召回阶段”，可用相似度搜索；“重排阶段”可用MMR提升答案丰富度。

如果本文对你有帮助，欢迎点赞+关注，后续会持续输出AI大模型与向量数据库的实战内容～

---