不知不覺，已經來到第20天了!
前面已經了解LangChain基本語法與如何跟Vector DB串接起來
接下來要討論的就是如何去檢索到資料囉!
傳統上，Naive RAG的做法都是根據user query轉成embedding後，
進入到 Vector DB 後，去匹配出相關的top k個chunk，再連同user query一同餵給LLM來去生成出回答。

那我們現在要如何根據user query去找到存在vector DB中相關的chunk呢
就要透過我們LangChain框架中的retriever啦!

但在我們創建一個retriever前，我們必須要先知道這個東西是甚麼!

vector store

負責嵌入embedding和vector search，常作為retriever的骨幹，通常都是透過vector store去使用裡面的retriever，所以我們必須先設定好vector store。

• 程式碼範例

vector_store = MongoDBAtlasVectorSearch(
    collection=collection,
    embedding=aoai_embeddings,
    index_name=vector_search_index,
    text_key="content" #這裡需要指定document文字的key。經過similarity找到相似的document後，會返回這個key的值
)

注意:

1. index_name: 必須先在Atlas 的search index定義好才可使用

Retriever

接受字串 query 作為input，並傳回 Document 清單作為output
而官方提供了許多 retriever 的方法

• Vector store-backed retriever
• MultiQueryRetriever
• Contextual compression
• Custom Retriever
• Ensemble Retriever
• Long-Context Reorder
• MultiVector Retriever
• Parent Document Retriever
• Self-querying
• Time-weighted vector store retriever

下一回將詳細介紹這些retriever的使用方法與意義!