LangChain 实战第17课：3大RAG检索方案实战对比，谁才是最佳选择？

继上节分享的向量模型选型，今天来分享下RAG中检索这方面的重点内容。

在 RAG 系统里，检索是最关键的一环。如果检索不到合适的内容，后面的大模型再强也没用。 那么问题来了：检索方案，有没有固定套路，如果没有，那到底该怎么选？

在 RAG 中，检索的核心目标是： 从知识库中找到与用户问题最相关的上下文片段，提供给大模型回答。

常见的检索方案有三种：

1. 1. 向量检索（Vector Retrieval）
1. 1. 基于语义相似度。
2. 2. 优点：能处理同义词、语义改写等问题。
3. 3. 缺点：有时对关键词敏感度不高。
2. 2. 混合检索（Hybrid Retrieval）
1. 1. 向量 + 关键词（BM25）组合。
2. 2. 优点：既保留语义理解，又能保证关键词命中。
3. 3. 缺点：需要权重调参，效果依赖数据分布。
3. 3. 多路检索（Multi-Retrieval）
1. 1. 并行使用多个检索器，直接合并结果。
2. 2. 优点：召回率高，不容易遗漏。
3. 3. 缺点：候选片段可能冗余，需要后续 rerank 过滤。

先了解上面这些信息，下面我们上代码。

新建文件16_rag_retrieval_methods.py

               
               
               
               # 演示向量检索 / 混合检索 / 多路检索（DeepSeek + 中文 bge）

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
from langchain_community.retrievers import BM25Retriever
from langchain.retrievers import EnsembleRetriever, MergerRetriever

load_dotenv()

# ========== 1. 准备环境 ==========
# 使用中文嵌入模型以更好地处理中文文本
embedding_model = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")

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。",
    "公司提供免费午餐。",
    "员工请假需提前 3 天申请。",
    "公司每年提供 10 天带薪年假。"
]

# 构建向量数据库
vectorstore = Chroma.from_texts(
    texts,
    embedding=embedding_model,
    persist_directory="./chroma_db"
)

# 切换到 DeepSeek（OpenAI 兼容接口）
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 = "公司请假制度是什么？"

# ========== 2. 向量检索 ==========
vector_retriever = vectorstore.as_retriever(search_kwargs={"k": 2})
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vector_retriever)
print("\n=== 向量检索结果（候选片段 + 答案） ===")
# 透明打印候选片段与得分
vector_results = vectorstore.similarity_search_with_score(query, k=2)
for i, (doc, score) in enumerate(vector_results, start=1):
    try:
        score_val = float(score)
    except Exception:
        score_val = score
    print(f"[V{i}] score={score_val} content={doc.page_content}")
print("→ LLM 回答：")
print(qa_chain.invoke(query))

# ========== 3. 混合检索（向量 + BM25） ==========
bm25_retriever = BM25Retriever.from_texts(texts)
bm25_retriever.k = 2

hybrid_retriever = EnsembleRetriever(
    retrievers=[bm25_retriever, vector_retriever],
    weights=[0.5, 0.5]
)
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=hybrid_retriever)
print("\n=== 混合检索结果（候选片段 + 答案） ===")
# 透明打印候选片段（不含得分）
hybrid_docs = hybrid_retriever.get_relevant_documents(query)
for i, doc in enumerate(hybrid_docs[:2], start=1):
    print(f"[H{i}] content={doc.page_content}")
print("→ LLM 回答：")
print(qa_chain.invoke(query))

# ========== 4. 多路检索 ==========
multi_retriever = MergerRetriever(
    retrievers=[bm25_retriever, vector_retriever],
)
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=multi_retriever)
print("\n=== 多路检索结果（候选片段 + 答案） ===")
multi_docs = multi_retriever.get_relevant_documents(query)
for i, doc in enumerate(multi_docs[:2], start=1):
    print(f"[M{i}] content={doc.page_content}")
print("→ LLM 回答：")
print(qa_chain.invoke(query))

运行截图

下一篇文章，单独分享下 Rerank 策略，看看如何在候选文档很多的情况下，让大模型只看最相关的内容，从而进一步提升 RAG 的效果。