常用检索方法介绍

常用方法对比：

similarity_search 的场景

适用场景：

• 快速验证：比如确认向量库中是否有某类相关数据、测试元数据过滤是否生效；
• 极简检索需求：业务仅需“返回相似文档”，无需评估相似程度、无需接入LLM；
• 新手调试：刚接触向量检索，先看基础结果，不关注复杂指标。

❌ 不适用：

• 需要判断“文档到底有多相似”；
• 要接入LangChain RAG链实现问答。

similarity_search_with_score 的场景

适用场景：

• 检索质量调试：比如判断检索结果是否真的相关（得分>1.0大概率不相关）；
• 策略优化：比如调整嵌入模型/分块规则后，对比得分分布评估效果；
• 业务规则过滤：比如仅保留得分 <0.8 的结果，过滤低相似冗余内容；
• 问题排查：比如用户反馈回答不准确时，通过得分定位“检索到低相似文档”的问题。

不适用：

• 生产环境直接对接LLM（得分无业务价值，且手动处理成本高）；
• 仅需基础检索，无需评估相似程度。

as_retriever 的场景

适用场景：

• 生产级RAG开发：比如搭建智能问答系统、知识库助手等核心业务；
• 复杂检索需求：比如需要“多样性结果”（MMR）、“仅高相似结果”（阈值过滤）；
• 流水线化开发：比如文档加载→分块→检索→问答的全流程封装；
• 多组件协同：比如检索结果需接入Agent、记忆模块、缓存系统等。

不适用：

• 仅做临时/一次性的检索验证（配置成本高于直接调用前两者）；
• 完全脱离LangChain生态开发（检索器优势无法体现）。

选择原则

1. 临时验证/极简检索 → similarity_search（省心）；
2. 调试/评估检索质量 → similarity_search_with_score（能看得分）；
3. 生产RAG/复杂检索 → as_retriever（适配生态、可扩展）；
4. 核心原则：非临时场景优先选 as_retriever，兼顾当前需求和未来扩展，是LangChain+ChromaDB开发的最佳实践。

similarity_search()简单检索

基于向量余弦相似度，根据查询文本，返回最相似的文档列表

语法

db.similarity_search(
    query: str,                # 【必选】检索问句/关键词
    k: int = 4,                # 【可选】返回top k条结果（默认4）
    filter: Optional[Dict] = None,  # 【可选】元数据过滤条件（如{"type": "数据库"}）
    **kwargs,
) -> List[Document]

例子

from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 初始化大模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2")

# 创建数据库对象
db = Chroma(
    embedding_function=embeddings,
    persist_directory="./my_chroma_db",
    collection_name="test_collection"
)

results = db.similarity_search(
    query="ChromaDB",  # 搜索内容
    k=3)

# list 类型
print("results类型：", type(results))

# Document 类型
print("results 元素的类型：", type(results[0]))

print("结果数量：", len(results))

for item in results:
    print(item.page_content)

similarity_search_with_score() 带相似度得分

返回相似文档 + 相似度得分（得分越低，相似度越高）

语法

db.similarity_search_with_score(
    query: str,                # 【必选】检索问句
    k: int = 4,                # 【可选】返回数量（默认4）
    filter: Optional[Dict] = None,  # 【可选】元数据过滤
) -> List[Tuple[Document, float]]  # (文档对象, 相似度得分)

分数

例子

from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 初始化大模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2")

# 创建数据库对象
db = Chroma(
    embedding_function=embeddings,
    persist_directory="./my_chroma_db",
    collection_name="test_collection"
)

results = db.similarity_search_with_score(
    query="ChromaDB",  # 搜索内容
    k=3)

# list 类型
print("results类型：", type(results))

# 元素是 tuple 类型，第一个元素是 Document 对象，第二个元素是分数
print("results 元素的类型：", type(results[0]))

print("结果数量：", len(results))

for item in results:
    doc = item[0]
    score = item[1]
    print(f"分数：{score}    id:{doc.id},内容：{doc.page_content}")

as_retriever() RAG 检索

将 Chroma 对象转换成 LangChain 标准检索器，直接接入 RAG 链

db.as_retriever(
    search_type: str = "similarity",  # 【可选】检索类型：similarity/MMR（默认similarity）
    search_kwargs: Dict = {},         # 【可选】检索参数（k/filter等）
) -> Retriever

参数详解：

• search_type：见下面表格

• search_kwargs：透传检索参数，如 {"k": 3, "filter": {"type": "数据库"}}

similarity 例子

from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 初始化大模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2")

# 创建数据库对象
db = Chroma(
    embedding_function=embeddings,
    persist_directory="./my_chroma_db",
    collection_name="test_collection"
)

# 创建检索器（最简配置）
retriever = db.as_retriever(
    search_type="similarity",  # 基础相似检索（默认值，可省略）
    search_kwargs={
        "k": 3,  # 返回top 2条最相似结果
    })

# 用检索器（核心操作）
results = retriever.invoke("ChromaDB 是什么？")

# list 类型
print("results类型：", type(results))

# 元素是 tuple 类型，第一个元素是 Document 对象，第二个元素是分数
print("results 元素的类型：", type(results[0]))

print("结果数量：", len(results))

for item in results:
    print(item.page_content)

执行结果：

results类型： <class 'list'>
results 元素的类型： <class 'langchain_core.documents.base.Document'>
结果数量： 3
ChromaDB是轻量级开源向量数据库，支持本地持久化
ChromaDB是轻量级开源向量数据库，支持本地持久化
ChromaDB轻量易用

similarity_score_threshold例子

from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 初始化大模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2")

# 创建数据库对象
db = Chroma(
    embedding_function=embeddings,
    persist_directory="./my_chroma_db",
    collection_name="test_collection"
)

# 创建检索器（最简配置）
retriever = db.as_retriever(
    search_type="similarity_score_threshold",  # 基础相似检索（默认值，可省略）
    search_kwargs={
        "k": 3,  # 返回top 2条最相似结果
        "score_threshold": 0.5,  # 相似度得分 ≤ 阈值0.5 的结果
    })

# 用检索器（核心操作）
results = retriever.invoke("ChromaDB 是什么？")

# list 类型
print("results类型：", type(results))

# 元素是 tuple 类型，第一个元素是 Document 对象，第二个元素是分数
print("results 元素的类型：", type(results[0]))

print("结果数量：", len(results))

for item in results:
    print(item.page_content)

MMR用法

普通相似检索的缺点：只挑「和问题最像」的文档，哪怕这些文档内容几乎一样

MMR 检索：先挑 1条最相似的，再挑 既和问题相关，又和已选文档不重复 的文档，最终返回 相似且多样 的结果。

解决的问题

普通相似检索的痛点：

问题：ChromaDB 有哪些特性？
普通检索结果（重复）：
1. ChromaDB 支持本地持久化存储
2. ChromaDB 可本地持久化保存数据

MMR 检索的优化：

MMR检索结果（多样）：
1. ChromaDB 支持本地持久化存储
2. ChromaDB 支持MMR检索提升多样性

工作逻辑

1. 先选出一批和问题「高相似」的候选文档（比如前20条）；
2. 从候选中选1条最相似的作为第一条结果；
3. 选下一条时，优先选「和问题相似，但和已选文档差异大」的（既相关，又不重复）；
4. 重复步骤3，直到选够 k 条结果。

关键参数

MMR 只有1个核心可调参数 lambda_mult（0~1）：

• lambda_mult=1：完全优先相似度（和普通相似检索一样，会重复）；
• lambda_mult=0：完全优先多样性（可能选到不相关的文档）；
• 默认值=0.5：平衡相似度和多样性（通用场景够用）。

例子

from langchain_chroma import Chroma
from langchain_community.embeddings import DashScopeEmbeddings
from dotenv import load_dotenv

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 初始化大模型
embeddings = DashScopeEmbeddings(model="text-embedding-v2")

# 创建数据库对象
db = Chroma(
    embedding_function=embeddings,
    persist_directory="./my_chroma_db",
    collection_name="test_collection"
)

# 创建检索器（最简配置）
retriever = db.as_retriever(
    search_type="mmr",  # 基础相似检索（默认值，可省略）
    search_kwargs={
        "k": 3,  # 返回top 2条最相似结果
    })

# 用检索器（核心操作）
results = retriever.invoke("ChromaDB 是什么？")

# list 类型
print("results类型：", type(results))

# 元素是 tuple 类型，第一个元素是 Document 对象，第二个元素是分数
print("results 元素的类型：", type(results[0]))

print("结果数量：", len(results))

for item in results:
    print(item.page_content)

可能会搜索出不相关的答案

1. 向量层问题（最核心）：文本转向量时“语义失真”

这是最常见的原因——嵌入模型没把文本的真实语义转换成准确的向量，导致“查询向量”和“不相关文档向量”被误判为相似：

• 嵌入模型不匹配：比如用英文模型（如 all-MiniLM-L6-v2）处理中文文本，语义理解差，容易把无关中文内容判为相似；

• 文本分块不合理：

  • 分块太大（比如整篇文档一个块）：块内包含多个无关主题，向量代表的是“混合语义”；
  • 分块太小（比如一句话拆成多个块）：语义不完整，向量无法准确表达核心含义；
• 查询词表达不精准：比如想查“ChromaDB 持久化配置”，却只搜“ChromaDB 设置”，查询向量太宽泛，容易匹配到无关内容。

2. 检索层问题：检索策略没过滤掉低相似结果

即使向量有轻微失真，合理的检索策略也能过滤掉不相关结果，反之则会放行：

• 未设置得分阈值：普通相似检索（similarity）会返回 top-K 结果，哪怕最后几条分数很高（相似度极低）；
• k 值设置过大：比如 k=10，强制返回10条结果，系统会 “凑数”，把低相似的不相关文档也纳入；
• 元数据过滤缺失：比如库中有“技术文档”“营销文档”，却没过滤 filter={"type": "技术文档"}，导致营销文档被检索出来。

3. 数据层问题：库中本身有低质量/无关数据

如果向量库中混入了和业务无关的文档，检索时自然可能命中：

• 数据清洗不彻底：入库前没剔除广告、重复、无效文本；
• 数据标注错误：元数据标错（比如把“营销文档”标成“技术文档”），过滤时无法精准筛选；
• 无业务边界的数据：库中混入了和当前查询无关的领域内容（比如查数据库问题，却有前端框架的文档）。

解决办法

1. 快速见效：优化检索策略

• 设置得分阈值过滤：改用 similarity_score_threshold 检索类型，只保留分数≤0.8（中文场景）/0.6（英文场景）的结果：

  retriever = db.as_retriever(
  search_type="similarity_score_threshold",
  search_kwargs={"k": 3, "score_threshold": 0.8}
  )
  

• 缩小 k 值：把 k 从 5~10 降到 2~3，只保留最核心的相似结果；
• 增加元数据过滤：入库时给文档打精准标签（如 type/domain/source），检索时过滤：

  retriever = db.as_retriever(
  search_kwargs={"k": 2, "filter": {"domain": "数据库", "type": "技术文档"}}
  )
  

2. 中期优化：修复向量层问题（核心）

• 换适配的嵌入模型：中文场景优先用 BGE 系列（如 BAAI/bge-small-zh-v1.5），不要用默认的英文模型：

  from langchain_huggingface import HuggingFaceEmbeddings
  embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")
  

• 优化文本分块：中文按“段落”分块（每块 200~500 字），保证块内语义完整且不混杂；
• 优化查询词：检索前对查询词做“语义增强”（比如“ChromaDB 设置”→“ChromaDB 本地持久化配置参数”）。

3. 长期保障：做好数据层治理

• 入库前清洗：剔除重复、无效、无关文本，只保留核心业务内容；
• 精准标注元数据：至少标注「领域（domain）」「文档类型（type）」「来源（source）」；
• 分库存储：不同领域的内容放在不同的 Chroma 集合（collection）中，检索时只查对应集合。

总结

1. 检索类方法：similarity_search()（基础）/ similarity_search_with_score()（带得分）/ as_retriever()（RAG适配），核心参数是 k（返回数量）和 filter（元数据过滤）；
2. 过滤语法：支持 $eq/$in/$and 等，是提升检索精准度的关键。

原文出处：/show_1GW2tDWp75AR.html