LangChain真的好用吗？谈一下LangChain封装FAISS的一些坑
内容提要
最近在做一个知识库问答项目，使用了RAG模型。在使用LangChain构建应用时，遇到了一些问题。在文本检索中，使用了不同的间隔战略，但无法正确过滤文本。经过试验发现，使用欧氏间隔的向量库可以正确过滤文本，而使用最大内积的向量库可以正确检索文本。这表明在VectorStoreRetriever中，使用similarity_score_threshold和similarity两种search_type可以解决这个问题。
延伸解读
距离策略与检索类型必须匹配
文章通过实验证明，在LangChain封装的FAISS中，距离策略与检索类型必须正确搭配：欧氏距离应使用similarity_score_threshold，最大内积应使用similarity。其他组合无法按预期过滤或检索文档。这是因为不同距离策略下，相似度分数的含义和比较方向不同，而LangChain未做统一处理。
相似度与相关性分数概念不同
LangChain中相似度（similarity）和相关性分数（relevance score）是两个不同概念。相似度取决于距离策略：欧氏距离越小越相似，内积越大越相似。相关性分数则统一为0到1，越大越相关。但文章指出，内积的相关性转换函数存在逻辑问题，可能导致语义相反的结果。
阈值过滤的反直觉行为
使用欧氏距离时，相似度分数越小表示越相似，因此调高score_threshold反而会保留更多文档，这与直觉相反。文章建议，若使用欧氏距离，应通过similarity_score_threshold检索类型，并设置合理的阈值来过滤无关文本。
对LangChain设计的反思
作者认为LangChain的封装增加了不必要的复杂性，例如相似度与相关性分数混用、函数命名混乱等。虽然文本分割和向量检索集成较实用，但检索部分存在坑，作者甚至考虑自建可复用库。这提醒开发者在使用流行框架时需深入理解其内部机制。
Q&A
LangChain在文本检索中遇到了什么问题？
在文本检索中，使用不同的间隔战略无法正确过滤无关文本，调高相似度阈值后仍然无法解决问题。
如何选择合适的距离策略以提高文本检索效果？
使用欧氏间隔的向量库可以正确过滤文本，而使用最大内积的向量库可以正确检索文本。
什么是VectorStoreRetriever，它的search_type参数有什么作用？
VectorStoreRetriever是LangChain中的检索类，search_type参数决定了检索方式，支持similarity、similarity_score_threshold和mmr三种类型。
在使用LangChain时，如何处理相似度和相关性分数的区别？
相似度和相关性分数是不同的概念，相关性分数越高，文本越相关，而相似度则依赖于所选的距离策略。
在LangChain中，如何解决文本检索的复杂性问题？
需要查看LangChain的调用代码，理解BaseRetriever类的实现，合理设置相似度阈值和检索方法。
使用LangChain时，如何确保正确的文本检索结果？
需注意不同距离策略与检索方法的搭配，确保使用合适的search_type和相似度阈值。
