LangChain 实战第19课：别只会相似度！用 Metadata 过滤，让RAG命中率暴涨

继上一篇文章的RAG精排，基本上RAG的流程和常用方法都讲得差不多了，但RAG依旧有很多地方会遇到坑.

比如，有些细心的同学实践后会发现这个坑：

即使模型和算法再强，检索结果有时还是“不够聚焦”。

比如你问：

「公司请假制度是什么？」

它可能会检索出「年假政策」或「考勤规则」，虽然相关，但不一定是你想要的那一类信息。

这时候，我们可以考虑用 metadata（元数据）过滤，进一步收紧我们的筛选范围。

什么是 Metadata？

在 LangChain 的文档体系中，每个文档 Document 都由两部分组成：

           
           
           
           {
  "page_content": "这是文档的正文内容。",
  "metadata": {
    "source": "employee_policy.pdf",
    "page": 12,
    "category": "人事制度"
  }
}

其中：

• • page_content 是真正被嵌入向量的文本；
• • metadata 是描述文本属性的“标签信息”。

你可以把它理解成：

给每一段文本打上“来源”“分类”“时间”等标签。

为什么要用 Metadata？

仅靠文本相似度，模型只能判断“像不像”，

却不知道“你想在哪个范围里搜”。

举个例子：

当你问「请假流程是什么」时， 如果我们加上过滤条件：category="人事制度"， 就能让检索更精准，不会混入不相关的部门文档。

这就像数据库里的 WHERE 条件一样：

           
           
           
           SELECT * FROM documents WHERE category = '人事制度';

LangChain 的 metadata 过滤，本质上就是类似的逻辑过滤操作。

不同向量库对 Metadata 的支持

Metadata 在入库时怎么写？

在 LangChain 中，你可以在插入文本时传入 metadatas 参数：

           
           
           
           from langchain_community.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings

texts = [
    "公司人事制度规定员工需提前申请年假。",
    "财务制度要求报销需提供完整发票。",
    "技术部门采用敏捷开发流程。",
    "员工请假需提前 3 天申请。",
    "公司每年提供 10 天带薪年假。",
]

metadatas = [
    {"category": "人事制度", "source": "hr_policy.pdf"},
    {"category": "财务制度", "source": "finance_rule.pdf"},
    {"category": "技术规范", "source": "dev_guide.pdf"},
    {"category": "人事制度", "source": "hr_policy.pdf"},
    {"category": "人事制度", "source": "hr_policy.pdf"},
]

embedding_model = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")

vectorstore = Chroma.from_texts(
    texts=texts,
    metadatas=metadatas,           # ✅ 在这里写入 metadata
    embedding=embedding_model,
    persist_directory="./chroma_db_18"
)

检索时加上 Metadata 过滤

入库后，我们就能像数据库一样加上过滤条件：

           
           
           
           retriever = vectorstore.as_retriever(
    search_kwargs={
        "k": 3,
        "filter": {"category": "人事制度"}   # ✅ 指定筛选条件
    }
)

这样它就只会检索「人事制度」类别的文档。

实战代码

老规矩，下面我们上代码。新建文件：18_metadata.py

           
           
           
           import os
from dotenv import load_dotenv
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA

def _trim(text: str, max_len: int = 60) -> str:
    return text if len(text) < max_len else text[:max_len] + "..."

def main():
    load_dotenv()

    # ========== 1. 构建带 metadata 的文档 ==========
    texts = [
        "公司人事制度规定员工需提前申请年假。",
        "财务制度要求报销需提供完整发票。",
        "技术部门采用敏捷开发流程。",
        "员工请假需提前 3 天申请。",
        "公司每年提供 10 天带薪年假。",
    ]
    metadatas = [
        {"category": "人事制度", "source": "hr_policy.pdf"},
        {"category": "财务制度", "source": "finance_rule.pdf"},
        {"category": "技术规范", "source": "dev_guide.pdf"},
        {"category": "人事制度", "source": "hr_policy.pdf"},
        {"category": "人事制度", "source": "hr_policy.pdf"},
    ]

    embedding_model = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")

    vectorstore = Chroma.from_texts(
        texts=texts,
        metadatas=metadatas,
        embedding=embedding_model,
        persist_directory="./chroma_db_18"
    )

    # ========== 2. 初始化 LLM ==========
    llm = ChatOpenAI(
        model="deepseek-chat",
        base_url=os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com/v1"),
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        temperature=0,
    )

    query = "请假和报销需要什么材料？"

    # ========== 3. 不加过滤 ==========
    retriever_all = vectorstore.as_retriever(search_kwargs={"k": 3})
    qa_all = RetrievalQA.from_chain_type(llm=llm, retriever=retriever_all)

    print("\n=== 不加过滤（混合类别） ===")
    results_all = vectorstore.similarity_search_with_relevance_scores(query, k=3)
    for doc, score in results_all:
        print(f"score={score:.4f} | {_trim(doc.page_content)} | {doc.metadata}")

    print("→ LLM 回答：")
    print(qa_all.invoke(query))

    # ========== 4. 加 metadata 过滤 ==========
    retriever_filtered = vectorstore.as_retriever(
        search_kwargs={"k": 3, "filter": {"category": "人事制度"}}
    )
    qa_filtered = RetrievalQA.from_chain_type(llm=llm, retriever=retriever_filtered)

    print("\n=== 基于 metadata 的精准检索 ===")
    results_filtered = retriever_filtered.invoke(query)
    for doc in results_filtered:
        print(f"{_trim(doc.page_content)} | {doc.metadata}")

    print("→ LLM 回答：")
    print(qa_filtered.invoke(query))

if __name__ == "__main__":
    main()

运行效果

可以看到，加了metadata筛选，就能够精准从知识库的指定文档中检索内容，提升检索效率。

当知识库的文档越多，metadata的检索越是有必要。