LangChain真的好用吗？谈一下LangChain封装FAISS的一些坑

最近在做一个知识库问答项目，使用了RAG模型，首选LangChain构建应用。

在文本检索中，使用不同的间隔战略，但无法正确过滤文本。

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。

在VectorStoreRetriever中，使用similarity_score_threshold和similarity两种search_type可以解决文本检索问题。

LangChain的BaseRetriever类在文本检索中存在一些复杂性，导致用户困惑。

调高相似度阈值后，仍然无法过滤无关文本，需查看LangChain的调用代码。

VectorStoreRetriever的search_type参数决定了检索方式，支持similarity、similarity_score_threshold和mmr三种类型。

使用不同的距离策略（如欧氏距离、最大内积）会影响相似度的计算和过滤效果。

相关性分数和相似度是不同的概念，相关性分数越高，文本越相关。

在使用LangChain时，需注意不同距离策略与检索方法的搭配，以确保正确的文本检索结果。