在基于检索增强生成（RAG）的问答系统中，向量存储检索器（Retriever） 是连接原始文档与大语言模型（LLM）的核心桥梁。它负责从海量的向量数据中快速找到与用户问题最相关的信息，为 LLM 提供精准的上下文，从而大幅提升回答的准确性和可靠性。本文将结合实战代码，深入讲解 Retriever 的核心概念、配置方法及在 RAG 流程中的应用。

一、Retriever 的核心作用

Retriever（检索器）是 LangChain 框架中专门用于从向量数据库中检索相关文档的组件，其核心作用可概括为：

1. 语义匹配：将用户的自然语言问题转换为向量，与向量数据库中存储的文档向量进行语义相似度计算；
2. 精准筛选：根据预设的规则（如相似度阈值）筛选出最相关的文档片段；
3. 上下文供给：将筛选后的文档作为上下文传递给 LLM，确保 LLM 仅基于相关信息回答问题。

在 RAG 流程中，Retriever 是承上启下的关键：上接用户问题的向量转换，下接 LLM 的提示词构建，直接决定了最终回答的质量。

二、Retriever 的核心配置与参数

以 FAISS 向量数据库为例，我们基于实战代码讲解 Retriever 的核心配置方式。

1. 基础依赖准备

首先需要完成向量数据库的构建，这是 Retriever 工作的前提：

from langchain_community.document_loaders import PyPDFDirectoryLoader
from langchain_community.vectorstores import FAISS
from langchain_huggingface import HuggingFaceEmbeddings

# 1. 加载PDF文档
loader = PyPDFDirectoryLoader("./pdf1/")
docs = loader.load()

# 2. 初始化本地嵌入模型
model_name = r'D:\本地模型\BAAI\bge-large-zh-v1___5'
embeddings = HuggingFaceEmbeddings(model_name=model_name)

# 3. 构建FAISS向量数据库
vectorStoreDB = FAISS.from_documents(docs, embedding=embeddings)

2. Retriever 的创建与关键参数

通过as_retriever()方法可将向量数据库转换为检索器，核心参数如下：

# 创建带相似度阈值的检索器
retriever = vectorStoreDB.as_retriever(
    search_type="similarity_score_threshold",  # 检索类型
    search_kwargs={"score_threshold": 0.3}     # 检索参数
)

（1）search_type：检索类型

LangChain 支持多种检索策略，常用的有：

• similarity：默认值，返回相似度最高的前 N 个文档（默认前 4 个）；
• similarity_score_threshold：按相似度阈值筛选，仅返回分数高于阈值的文档；
• mmr：最大边际相关性检索，平衡相关性和多样性，避免返回重复内容。

（2）search_kwargs：检索参数

根据search_type的不同，需配置对应的参数：

• 当search_type="similarity_score_threshold"时：
  • score_threshold：相似度阈值（0-1），值越高要求越严格，本文中设置为 0.3，表示仅返回相似度≥0.3 的文档；
• 当search_type="similarity"时：
  • k：返回的文档数量，默认值为 4，可根据需求调整（如{"k": 5}）；
• 通用参数：
  • fetch_k：在最终筛选前先获取的文档数量（用于 MMR 等策略），默认值为 20。

三、Retriever 在 RAG 流程中的实战应用

Retriever 的最终价值体现在完整的 RAG 问答链中，结合你提供的代码，完整的流程如下：

1. 完整代码实现

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr

# 加载环境变量，初始化LLM
load_dotenv()
llm = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat",
    api_key=SecretStr(os.environ["DEEPSEEK_API_KEY"]),
)

# 构建提示词模板
template = """
只根据以下文档回答问题：
{context}

问题：{question}
"""
prompt = ChatPromptTemplate.from_template(template)
outputParser = StrOutputParser()

# 构建检索+问答链
setup_and_retrieval = RunnableParallel(
    {
        "context": retriever,  # 检索器负责获取context
        "question": RunnablePassthrough()  # 透传用户问题
    }
)

# 完整的RAG链：检索 → 提示词构建 → LLM生成 → 结果解析
chain = setup_and_retrieval | prompt | llm | outputParser

# 调用问答链
result = chain.invoke("关于劳动争议？")
print(result)

2. Retriever 的执行逻辑

在上述代码中，Retriever 的执行流程为：

1. 用户输入问题 “关于劳动争议？”；
2. RunnableParallel将问题同时传递给 Retriever 和透传组件；
3. Retriever 将问题转换为向量，在 FAISS 库中检索相似度≥0.3 的文档，作为context；
4. context和question一起传入提示词模板，生成包含上下文的完整提示词；
5. LLM 基于提示词生成回答，最终通过StrOutputParser解析为字符串。

四、Retriever 的调优建议

1. 相似度阈值调优：score_threshold需根据实际场景调整，知识类问答建议设为 0.5-0.7（更严格），通用问答可设为 0.2-0.4（更宽松）；
2. 返回数量控制：使用similarity类型时，合理设置k值（建议 3-5），过多文档会增加 LLM 的上下文负担，过少可能遗漏关键信息；
3. 检索策略选择：如果需要避免重复内容（如长文档问答），优先使用mmr检索类型；
4. 嵌入模型匹配：Retriever 的检索效果依赖嵌入模型，建议使用与文档语言匹配的模型（如中文场景优先使用 bge-large-zh 系列）。

五、总结

Retriever 作为 LangChain RAG 体系的核心组件，其核心价值在于精准、高效地从向量数据库中检索相关文档。通过本文的讲解，我们可以明确：

1. Retriever 的核心是基于向量的语义匹配，配置的关键是search_type和search_kwargs；
2. similarity_score_threshold类型适合需要严格控制相关性的场景，similarity类型适合追求召回率的场景；
3. Retriever 的调优需结合业务场景，平衡相关性和召回率，才能最大化 RAG 系统的回答质量。

在实际开发中，Retriever 的配置是 RAG 系统调优的核心环节之一，合理的检索策略能让 LLM 的回答既精准又全面。

---

总结

1. 核心定位：Retriever 是 LangChain 中连接向量数据库与 LLM 的关键组件，负责基于语义相似度检索相关文档，为 RAG 提供精准上下文；
2. 核心配置：通过as_retriever()创建，关键参数包括search_type（检索类型）和search_kwargs（如相似度阈值score_threshold、返回数量k）；
3. 实战要点：需根据业务场景调整检索策略（如严格匹配用similarity_score_threshold，追求召回率用similarity），并结合嵌入模型调优检索效果。