基于LangChain JS的vectorstore.asRetriever()实现特定文档语义搜索

一、vectorstore.asRetriever() 运作逻辑 #

asRetriever() 是LangChain中VectorStore类的核心方法，作用是将向量存储实例转换为检索器（Retriever），使其能被QA链等上层组件调用。

• 参数k：设置检索时返回的最相似文档数量
• 参数filter：传入元数据过滤规则，检索时会先筛选出符合规则的文档，再在这个子集内执行语义相似度匹配
• 内部实现：直接创建VectorStoreRetriever实例，将向量存储本身、k值、过滤规则传入，后续检索流程会自动应用过滤逻辑

二、基于唯一code字段的特定文档语义搜索实现 #

你的需求是通过唯一ID类的code字段精准定位单份文档，再对其执行语义搜索，只需修改元数据过滤规则即可实现：

修改后的完整代码 #

export const makeChain = (vectorstore: PineconeStore) => {
  const model = new OpenAI({
    temperature: 0,
    modelName: 'gpt-3.5',
  });

  // 替换为目标文档的唯一code值，例如"DOC-00001"
  const metadataFilter = { code: "DOC-00001" };

  // 因code唯一，将k设为1即可确保只返回匹配的单份文档
  const chain = ConversationalRetrievalQAChain.fromLLM(
    model,
    vectorstore.asRetriever(1, metadataFilter),
    {
      qaTemplate: QA_PROMPT,
      questionGeneratorTemplate: CONDENSE_PROMPT,
      returnSourceDocuments: true,
    },
  );
  return chain;
};

关键说明 #

• Pinecone支持精准匹配的元数据过滤，当code为唯一值时，过滤后只会得到对应的单份文档
• 将k设为1可避免冗余，后续语义搜索会直接在这份文档的向量数据中进行

三、替代方案 #

方案1：直接调用Pinecone API查询指定文档 #

若无需LangChain检索器的链路封装，可直接调用Pinecone API根据code获取文档，再手动传入QA链：

// 示例：通过Pinecone API获取指定code的文档内容
const getDocumentByCode = async (pineconeIndex, targetCode) => {
  const queryResult = await pineconeIndex.query({
    filter: { code: { $eq: targetCode } },
    topK: 1,
    includeMetadata: true,
    // 传入与嵌入模型维度匹配的空向量即可，因过滤条件已精准定位
    vector: new Array(1536).fill(0) // 适配text-embedding-ada-002的1536维度
  });
  return queryResult.matches[0]?.metadata?.text;
};

// 获取文档后，可手动将内容注入QA Prompt使用

方案2：自定义检索器类 #

若需要更灵活的业务逻辑，可自定义Retriever类，先过滤指定文档再执行语义匹配：

import { BaseRetriever, Document } from "langchain/schema";

class CodeFilteredRetriever extends BaseRetriever {
  constructor(private vectorStore: PineconeStore, private targetCode: string) {
    super();
  }

  async getRelevantDocuments(query: string): Promise<Document[]> {
    // 先通过code过滤文档，再执行语义搜索
    return this.vectorStore.similaritySearch(query, 1, { code: this.targetCode });
  }
}

// 使用时替换原asRetriever生成的检索器
const retriever = new CodeFilteredRetriever(vectorstore, "DOC-00001");
const chain = ConversationalRetrievalQAChain.fromLLM(model, retriever, {
  qaTemplate: QA_PROMPT,
  questionGeneratorTemplate: CONDENSE_PROMPT,
  returnSourceDocuments: true,
});

内容的提问来源于stack exchange，提问作者vetheve