AI Agent白手起家46: LangChain 向量数据库实战 — 从增删查到高级检索

纲要

• 向量数据库基础
  • 在 RAG 系统中的核心位置
  • 与传统关系型数据库的本质区别
• LangChain 向量数据库接口
  • 统一方法：add_documents、delete、similarity_search
  • 常用向量数据库概览：Chroma、FAISS、Pinecone、Milvus 等
• 基本操作实战
  • 文档添加（支持自定义 ID）
  • 文档删除（按 ID）
  • 文本相似性搜索与向量搜索
• 高级检索技巧
  • 最大边际相关性（MMR）搜索
  • 混合搜索（关键词 + 向量）
• 完整可运行代码：使用 FakeEmbeddings 与内存向量库模拟增删查与 MMR

引言

在 RAG（检索增强生成）系统中，经过加载、切片和向量化的文档最终需要一个高效的存储和检索容器------这就是向量数据库。它不仅仅是一个存放向量的仓库，更承担着语义搜索的核心任务：根据查询向量快速找到最相似的文档片段。LangChain 通过统一的接口封装了各类向量数据库，让开发者可以像操作普通数据一样进行增删查，同时提供了 MMR、混合搜索等高级功能。本文将通过可运行的代码，手把手带你掌握向量数据库的关键操作。

向量数据库基础

向量数据库与传统的关系型数据库（如 MySQL）有着本质不同：

维度	关系型数据库	向量数据库
存储内容	结构化数据（表格、字段）	高维向量数组（浮点数序列）
查询方式	精确匹配（SQL where、join）	相似度搜索（余弦距离、欧氏距离）
典型场景	交易处理、用户管理	语义检索、图像搜索、推荐系统
数据模式	固定 Schema	灵活，无需预定义结构

在 RAG 系统中，向量数据库负责存储所有外部知识片段的向量表示，当用户查询到来时，同样经过嵌入模型转为向量，然后在库中通过相似度算法检索出最相关的 Top‑K 个文档片段。
#mermaid-svg-FOb9r9vKTlMXroJv{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-FOb9r9vKTlMXroJv .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-FOb9r9vKTlMXroJv .error-icon{fill:#552222;}#mermaid-svg-FOb9r9vKTlMXroJv .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-FOb9r9vKTlMXroJv .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-FOb9r9vKTlMXroJv .marker{fill:#333333;stroke:#333333;}#mermaid-svg-FOb9r9vKTlMXroJv .marker.cross{stroke:#333333;}#mermaid-svg-FOb9r9vKTlMXroJv svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-FOb9r9vKTlMXroJv p{margin:0;}#mermaid-svg-FOb9r9vKTlMXroJv .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-FOb9r9vKTlMXroJv .cluster-label text{fill:#333;}#mermaid-svg-FOb9r9vKTlMXroJv .cluster-label span{color:#333;}#mermaid-svg-FOb9r9vKTlMXroJv .cluster-label span p{background-color:transparent;}#mermaid-svg-FOb9r9vKTlMXroJv .label text,#mermaid-svg-FOb9r9vKTlMXroJv span{fill:#333;color:#333;}#mermaid-svg-FOb9r9vKTlMXroJv .node rect,#mermaid-svg-FOb9r9vKTlMXroJv .node circle,#mermaid-svg-FOb9r9vKTlMXroJv .node ellipse,#mermaid-svg-FOb9r9vKTlMXroJv .node polygon,#mermaid-svg-FOb9r9vKTlMXroJv .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-FOb9r9vKTlMXroJv .rough-node .label text,#mermaid-svg-FOb9r9vKTlMXroJv .node .label text,#mermaid-svg-FOb9r9vKTlMXroJv .image-shape .label,#mermaid-svg-FOb9r9vKTlMXroJv .icon-shape .label{text-anchor:middle;}#mermaid-svg-FOb9r9vKTlMXroJv .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-FOb9r9vKTlMXroJv .rough-node .label,#mermaid-svg-FOb9r9vKTlMXroJv .node .label,#mermaid-svg-FOb9r9vKTlMXroJv .image-shape .label,#mermaid-svg-FOb9r9vKTlMXroJv .icon-shape .label{text-align:center;}#mermaid-svg-FOb9r9vKTlMXroJv .node.clickable{cursor:pointer;}#mermaid-svg-FOb9r9vKTlMXroJv .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-FOb9r9vKTlMXroJv .arrowheadPath{fill:#333333;}#mermaid-svg-FOb9r9vKTlMXroJv .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-FOb9r9vKTlMXroJv .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-FOb9r9vKTlMXroJv .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FOb9r9vKTlMXroJv .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-FOb9r9vKTlMXroJv .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FOb9r9vKTlMXroJv .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-FOb9r9vKTlMXroJv .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-FOb9r9vKTlMXroJv .cluster text{fill:#333;}#mermaid-svg-FOb9r9vKTlMXroJv .cluster span{color:#333;}#mermaid-svg-FOb9r9vKTlMXroJv div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-FOb9r9vKTlMXroJv .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-FOb9r9vKTlMXroJv rect.text{fill:none;stroke-width:0;}#mermaid-svg-FOb9r9vKTlMXroJv .icon-shape,#mermaid-svg-FOb9r9vKTlMXroJv .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-FOb9r9vKTlMXroJv .icon-shape p,#mermaid-svg-FOb9r9vKTlMXroJv .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-FOb9r9vKTlMXroJv .icon-shape .label rect,#mermaid-svg-FOb9r9vKTlMXroJv .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-FOb9r9vKTlMXroJv .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-FOb9r9vKTlMXroJv .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-FOb9r9vKTlMXroJv :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 文档切片
嵌入模型向量化
存入向量数据库
用户查询
查询向量化
相似度搜索
返回相关片段

LangChain 向量数据库接口

LangChain 为向量数据库抽象出了统一的接口，所有实现该接口的数据库都支持以下方法：

• add_documents(documents)：批量添加文档（含向量）。
• delete(ids)：按 ID 删除文档。
• similarity_search(query, k)：纯文本查询，返回最相似的 k 个文档。
• similarity_search_by_vector(vector, k)：直接传入向量进行查询。
• 部分数据库还支持 max_marginal_relevance_search（MMR）和混合检索。

常见向量数据库有 Chroma、FAISS、Pinecone、Milvus、Weaviate 等，其中 Chroma 和 FAISS 适合本地轻量级使用，Pinecone 和 Milvus 面向生产环境。

向量库基本操作：增、删、查

下面使用 FakeEmbeddings 模拟向量嵌入，搭配 Chroma 内存向量库，演示完整的增删查流程。无需任何外部 API。

安装依赖：

pip install langchain langchain-core langchain-community chromadb

文档添加

from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document

# 模拟嵌入模型（维度 128）
embeddings = FakeEmbeddings(size=128)

# 准备文档
docs = [
    Document(page_content="智能温控水杯支持手机 App 远程控温。", metadata={"source": "product"}),
    Document(page_content="产品续航 48 小时，采用 316 不锈钢内胆。", metadata={"source": "product"}),
    Document(page_content="充电时请使用 5V/2A 适配器。", metadata={"source": "product"}),
]

# 创建内存向量库并添加文档（可指定 ID）
vectorstore = Chroma(embedding_function=embeddings, collection_name="demo")
ids = ["doc_1", "doc_2", "doc_3"]
vectorstore.add_documents(docs, ids=ids)
print("已添加文档数:", vectorstore._collection.count())

删除文档

按 ID 删除某条记录：

vectorstore.delete(ids=["doc_2"])
print("删除后文档数:", vectorstore._collection.count())  # 输出 2

相似性搜索

使用纯文本查询：

results = vectorstore.similarity_search("怎么充电？", k=1)
for doc in results:
    print(doc.page_content)  # 应返回充电相关文档

也可以先将查询向量化再搜索：

query_vector = embeddings.embed_query("怎么充电？")
results = vectorstore.similarity_search_by_vector(query_vector, k=1)
print(results[0].page_content)

高级检索：MMR 搜索

最大边际相关性（MMR）算法在保持结果与查询相关的同时，尽量增加结果之间的多样性，避免返回过于相似的内容。Chroma 支持 max_marginal_relevance_search。

# 添加一些内容相近的文档以便观察 MMR 效果
additional_docs = [
    Document(page_content="水杯过热保护功能详解", metadata={"source": "manual"}),
    Document(page_content="如何正确清洗保温杯内胆", metadata={"source": "manual"}),
    Document(page_content="电池续航测试及充电注意事项", metadata={"source": "manual"}),
]
vectorstore.add_documents(additional_docs)

# MMR 搜索：取 3 条结果，多样性参数 lambda_mult=0.5（值越小越注重多样性）
mmr_results = vectorstore.max_marginal_relevance_search("充电", k=3, lambda_mult=0.5)
for doc in mmr_results:
    print(doc.page_content)

MMR 会尽量避免只返回三篇全都是充电的文章，而是可能混入一篇关于清洗或过热保护的文档，提供更丰富的上下文。

混合搜索简介

一些高级向量数据库（如 Pinecone）支持混合搜索，先通过关键词（如 BM25 算法）过滤候选文档，再在缩小后的集合中进行向量相似度匹配。这种方式能结合关键词的精确性和语义的泛化性，显著提升检索质量。LangChain 提供了相应的 Retrieval 封装，如 Pinecone 的 HybridSearchRetriever。因需要外部服务，本文不展开运行，但其理念与 MMR 相似：用更智能的算法提升召回率和答案质量。

完整可运行代码整合

以下代码将增、删、查、MMR 整合于一个脚本，使用内存向量库，无需任何 API Key。

from langchain_community.embeddings.fake import FakeEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document

embeddings = FakeEmbeddings(size=128)

# 初始文档
docs = [
    Document(page_content="智能温控水杯支持手机 App 远程控温。", metadata={"type": "feature"}),
    Document(page_content="产品续航 48 小时，采用 316 不锈钢内胆。", metadata={"type": "feature"}),
    Document(page_content="充电时请使用 5V/2A 适配器。", metadata={"type": "caution"}),
    Document(page_content="请勿将杯体浸入水中清洗。", metadata={"type": "caution"}),
    Document(page_content="可通过 App 调节温度范围 40~100°C。", metadata={"type": "feature"}),
]

vectorstore = Chroma(embedding_function=embeddings, collection_name="cup")
ids = ["d1", "d2", "d3", "d4", "d5"]
vectorstore.add_documents(docs, ids=ids)

# 删除一条
vectorstore.delete(ids=["d4"])
print("剩余文档数:", vectorstore._collection.count())

# 文本搜索
print("\n--- 相似性搜索：充电 ---")
for doc in vectorstore.similarity_search("如何充电？", k=2):
    print(doc.page_content)

# MMR 搜索
print("\n--- MMR 搜索：充电（多样性优先） ---")
for doc in vectorstore.max_marginal_relevance_search("充电", k=2, lambda_mult=0.3):
    print(doc.page_content)

总结

向量数据库是 RAG 应用的数据心脏，LangChain 通过统一接口让开发者无需关心底层差异即可完成增删查。掌握基本的 add_documents、delete、similarity_search 后，根据场景选用 MMR 或混合搜索，能显著提升检索质量和最终回答的准确度。

从本地 Chroma/FAISS 到云端 Pinecone/Milvus，LangChain 都能丝滑切换，为你的 AI 应用提供强大的知识检索基座。