2. similarity_search_with_score​#

👉 和 similarity_search​ 一样，但会返回 相似度分数。

• 作用：

  • 可根据分数过滤低相关性文档；
  • 适合需要“阈值控制”的任务（比如只要相似度 >0.8 的结果）。

1
docs = vectorstore.similarity_search_with_score("气候变化", k=3)
2
for doc, score in docs:
3
    print(doc.page_content, score)

3. max_marginal_relevance_search​ (MMR)#

👉 最大边际相关性检索，在相似度的基础上增加“多样性”。

• 作用：

  • 避免检索结果过于重复；
  • 适合用户需要“覆盖不同角度”的问题，比如“中美关系”时返回中方和美方新闻，而不是全是中方的。

• 机制：

  • 在相似度高的候选中，挑一部分相似但彼此差异大的文档。

1
docs = vectorstore.max_marginal_relevance_search("国际气候合作", k=5, fetch_k=20)

4. similarity_search_by_vector​#

👉 如果你 自己已经有了 query 的向量（比如外部 embedding 模型算的），可以直接用这个接口。

• 作用：绕过 LangChain 的 embedding，直接用外部向量进行搜索。
• 适合场景：比如你有多模态输入（图像、音频 → embedding），但想在同一个 Milvus 里检索文本。

1
embedding_vector = [0.12, -0.33, 0.88, ...]  # 自己算的
2
docs = vectorstore.similarity_search_by_vector(embedding_vector, k=3)

5. as_retriever​#

👉 把向量库封装成一个 Retriever，供 RAG / QA Chain 使用。

• 优势：

  • 统一接口，可以随意切换 FAISS、Milvus、PGVector；
  • 可以配合 RetrievalQA​、ConversationalRetrievalChain​ 等。

• 检索模式可配置（例如 similarity / MMR）：

1
retriever = vectorstore.as_retriever(search_type="mmr", search_kwargs={"k": 5})
2
docs = retriever.get_relevant_documents("拜登在联合国说了什么")

📝 总结对比#