LangChain 中如何将 VectorStoreRetriever 加入到链（Chain）中

在基于 LLM 的问答系统（RAG，Retrieval-Augmented Generation）中，检索器（Retriever） 是关键组件。本文将系统讲解：

• 什么是 VectorStoreRetriever
• 它在 LangChain 架构中的位置
• 如何把 VectorStoreRetriever 接入到链（Chain）中
• 常见的组合模式与最佳实践

本文基于 LangChain v0.1+ 以及 LCEL（LangChain Expression Language）范式。

---

一、VectorStoreRetriever 是什么？

在 LangChain 中，VectorStoreRetriever 是对向量数据库的抽象封装。

它的职责非常单一：

输入：查询字符串
输出：相关文档列表（List[Document]）

其底层通常依赖向量数据库，例如：

• FAISS
• Chroma
• Milvus
• Weaviate
• Pinecone

典型流程：

用户问题
   ↓
Embedding
   ↓
向量相似度搜索
   ↓
返回相关文档

---

二、创建一个 VectorStoreRetriever

假设我们使用 FAISS：

from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings

# 1. 初始化 embedding
embeddings = OpenAIEmbeddings()

# 2. 构建向量数据库
vectorstore = FAISS.from_texts(
    ["LangChain is a framework for LLM applications."],
    embedding=embeddings
)

# 3. 创建 retriever
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 3}
)

此时，retriever 已经是一个 VectorStoreRetriever 实例。

---

三、将 VectorStoreRetriever 加入到链中（核心部分）

在 LangChain 中，推荐使用 LCEL（| 管道操作符）构建链。

目标结构：

用户问题
   ↓
Retriever
   ↓
拼接上下文
   ↓
PromptTemplate
   ↓
LLM
   ↓
输出

---

方法一：使用 Runnable 组合（推荐方式）

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser

llm = ChatOpenAI()

prompt = ChatPromptTemplate.from_template("""
请根据以下上下文回答问题：

{context}

问题：
{question}
""")

# 构建 RAG 链
rag_chain = (
    {
        "context": retriever,
        "question": RunnablePassthrough()
    }
    | prompt
    | llm
    | StrOutputParser()
)

调用：

rag_chain.invoke("什么是 LangChain？")

解释：

• RunnablePassthrough() 保留原始问题
• retriever 自动接收 question 作为输入
• 返回的文档会被自动格式化为字符串拼入 prompt

这是最清晰、可扩展性最强的方式。

---

方法二：使用 create_retrieval_chain

LangChain 提供了高级封装：

from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain

llm = ChatOpenAI()

prompt = ChatPromptTemplate.from_template("""
根据上下文回答问题：

{context}

问题：
{input}
""")

combine_docs_chain = create_stuff_documents_chain(llm, prompt)

retrieval_chain = create_retrieval_chain(
    retriever,
    combine_docs_chain
)

retrieval_chain.invoke({"input": "什么是 LangChain？"})

优点：

• 更模块化
• 清晰分离“检索”和“生成”

---

四、VectorStoreRetriever 在链中的数据流解析

在 LCEL 里，retriever 本质是：

Callable[str] → List[Document]

当你写：

{
    "context": retriever,
    "question": RunnablePassthrough()
}

LangChain 会自动：

1. 把输入字符串传给 retriever
2. 把返回的 Document 列表转成字符串
3. 填充到 prompt 中的 {context}

这就是 LangChain 的 Runnable 设计优势 —— 所有组件都是可组合的。

---

五、高级用法

1️⃣ 控制检索策略

retriever = vectorstore.as_retriever(
    search_type="mmr",
    search_kwargs={"k": 5, "lambda_mult": 0.7}
)

支持：

• similarity
• mmr
• similarity_score_threshold

---

2️⃣ 自定义文档格式化

可以插入一个格式化步骤：

from langchain.schema.runnable import RunnableLambda

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {
        "context": retriever | RunnableLambda(format_docs),
        "question": RunnablePassthrough()
    }
    | prompt
    | llm
)

---

3️⃣ 多路检索合并

multi_retriever = retriever1 | retriever2

或者使用 EnsembleRetriever。

---

六、常见问题

❓ Retriever 接收的输入是什么？

默认是：

str

如果你传入 dict，需要：

retriever = retriever.with_config(
    run_name="my_retriever"
)

或者手动提取字段。

---

❓ 为什么推荐 LCEL 而不是传统 Chain？

原因：

• 更灵活
• 可并行
• 可追踪
• 易于调试
• 可组合

传统 RetrievalQA 已经逐步被 LCEL 方式替代。

---

七、完整示例（生产可用版本）

from langchain.chat_models import ChatOpenAI
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser

# embedding
embeddings = OpenAIEmbeddings()

# 向量数据库
vectorstore = FAISS.from_texts(
    ["LangChain 是一个构建 LLM 应用的框架。"],
    embedding=embeddings
)

retriever = vectorstore.as_retriever()

# LLM
llm = ChatOpenAI()

# Prompt
prompt = ChatPromptTemplate.from_template("""
根据上下文回答问题：

{context}

问题：
{question}
""")

# 构建 RAG
rag_chain = (
    {
        "context": retriever,
        "question": RunnablePassthrough()
    }
    | prompt
    | llm
    | StrOutputParser()
)

print(rag_chain.invoke("LangChain 是什么？"))

---

八、总结

将 VectorStoreRetriever 加入链的本质是：

把“检索”作为一个 Runnable 节点插入到数据流中。

在 LangChain 新架构中：

• Retriever 是 Runnable
• Prompt 是 Runnable
• LLM 是 Runnable
• Parser 也是 Runnable

因此所有组件都可以自由组合。

如果你正在构建 RAG 系统，建议：

• 使用 LCEL
• 明确分离 retriever 和 combine_docs
• 控制检索策略
• 做好文档格式化