Vector Stores：向量数据库选型与使用

选型速查

• FAISS：Facebook 开源库，纯内存、极快，适合原型与中小数据；
• Chroma：开箱即用的嵌入式向量库，API 友好，适合本地开发；
• Milvus / Qdrant / Weaviate：独立服务的分布式向量库，生产级大数据量；
• PGVector：给 PostgreSQL 加向量能力，一个库搞定"业务数据 + 向量"；
• Elasticsearch / Redis：已有基础设施时顺带支持向量检索。

基本操作（以 Chroma 为例）

from langchain_chroma import Chroma

vectorstore = Chroma.from_documents(chunks, embedding=embeddings,
                                    persist_directory="./chroma_db")

# 相似度检索
hits = vectorstore.similarity_search("退款政策", k=3)

# 带分数检索（分数越小越相似）
hits = vectorstore.similarity_search_with_score("退款政策", k=3)

# 元数据过滤
hits = vectorstore.similarity_search(
    "退款政策", k=3, filter={"source": "policy.pdf"})

检索器进阶

• MMR（最大边际相关）：兼顾相关性与多样性，避免返回 k 条几乎相同的片段；
• 混合检索：向量检索 + BM25 关键词检索取长补短，用 RRF 融合排序；
• Parent-Document 检索：用小块检索、返回其所属大块，兼顾精度与上下文。