如何使用AzureAISearchRetriever实现混合搜索的对话式RAG？

核心思路 #

Azure AI Search的混合搜索需要结合关键词搜索与语义搜索的结果，通过AzureAISearchRetriever可配置对应检索参数实现这一需求，核心是利用Azure AI Search的query_type、semantic_configuration_name及原生搜索参数组合两种搜索逻辑。

具体实现步骤 #

• 初始化检索器时配置混合搜索参数
  创建AzureAISearchRetriever实例时，指定query_type为"semantic"，同时通过search_parameters传递Azure AI Search原生参数，实现关键词与语义搜索的混合。

  示例代码：

  from langchain_community.retrievers import AzureAISearchRetriever
  
  retriever = AzureAISearchRetriever(
      service_name="你的Azure搜索服务名",
      api_key="你的API密钥",
      index_name="你的索引名",
      query_type="semantic",
      semantic_configuration_name="你的语义配置名",  # 需提前在Azure门户配置语义规则
      search_parameters={
          "queryType": "semantic",
          "semanticConfiguration": "你的语义配置名",
          "speller": "lexicon",
          "scoringProfile": "自定义评分配置名"  # 用于调整两种搜索的权重占比
      }
  )
  

• 通过评分配置自定义混合权重
  若需精细控制关键词与语义搜索的权重比例，需在Azure AI Search索引中创建评分配置：

  • 在配置中为关键词搜索的search.score和语义搜索的semantic.score设置不同权重系数
  • 例如设置关键词权重0.4、语义权重0.6，实现混合排序逻辑

• 结合对话历史优化检索
  针对对话式RAG，需将对话历史拼接进检索查询，确保结果匹配上下文：

  def generate_retrieval_query(chat_history, user_question):
      # 拼接对话历史与当前问题生成检索用查询
      combined_query = f"对话历史：{chat_history}\n用户问题：{user_question}"
      return combined_query
  
  # 生成查询并执行检索
  query = generate_retrieval_query(chat_history_list, current_question)
  relevant_docs = retriever.invoke(query)
  

关键说明 #

• 需提前在Azure AI Search门户配置语义配置，指定语义字段与语言，否则无法启用语义搜索
• search_parameters支持传递Azure AI Search REST API的所有原生参数，可按需调整混合搜索细节
• 若不需要语义问答提取功能，可省略answers类参数，仅保留基础混合排序逻辑

内容的提问来源于stack exchange，提问作者zooes