| VectorStore Retriever -2-6 |
基于向量相似度进行语义搜索 |
语义搜索、基于文档的问答系统-2 |
• 理解语义，处理同义词和复杂查询 • 依赖嵌入模型质量-2 • 支持多种向量库（Chroma, FAISS等）-2 |
retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 4}) -2 |
| BM25 Retriever -1-2 |
基于BM25算法的关键词匹配搜索 |
传统搜索、关键词驱动的问答-2 |
• 计算成本低，无需嵌入模型-2 • 依赖文本字面匹配，不支持语义搜索-2 • 快速、轻量，适合离线或资源受限场景-4 |
retriever = BM25Retriever.from_documents(docs) retriever.k = 4 -1-2 |
| Ensemble Retriever -1-2-10 |
融合多种检索器结果，取长补短 |
需要综合关键词和语义的复杂搜索、高覆盖率检索-2-4 |
• 结合关键词搜索和语义搜索优点-2-10 • 支持加权融合不同检索器结果-1-2 • 通常能获得更高的召回率和精准度-2 |
ensemble_retriever = EnsembleRetriever(retrievers=[bm25_retriever, vector_retriever], weights=[0.3, 0.7]) -1-2 |
| MultiQuery Retriever -1-2 |
使用LLM为原始查询生成多个相关问题进行检索 |
查询表达不明确、需要提高检索全面性的场景-2 |
• 通过多查询变体提高召回率-2 • 适合处理复杂查询-2 • 会增加一定的计算开销 |
retriever = MultiQueryRetriever.from_llm(retriever=base_retriever, llm=llm) -1-2 |
| Contextual Compression Retriever -1-2-4 |
对检索到的文档进行压缩和精炼，提取最相关内容 |
文档内容冗长、需要提取关键信息、提高问答质量-2-4 |
• 有效减少噪声，输出更聚焦的上下文-4 • 大幅提升生成模型回答质量-4 • 增加计算开销，但提升精准度-2 |
compressor = LLMChainExtractor.from_llm(llm) compression_retriever = ContextualCompressionRetriever(base_compressor=compressor, base_retriever=base_retriever) -1-2 |
| MultiVector Retriever -3-4 |
为单个文档生成多个向量表示（如摘要、小 chunk、假设问题） |
长文档检索、技术文档或论文检索、多模态知识库-3-4 |
• 提高检索精度，支持细粒度匹配-3 • 允许通过摘要或假设性问题来检索完整文档-3 • 索引体积相对较大 |
retriever = MultiVectorRetriever( vectorstore=vectorstore, byte_store=store, id_key=id_key ) |