向量存储

// embedding-basic.ts
import { OpenAIEmbeddings } from '@langchain/openai'
 
const embeddings = new OpenAIEmbeddings({
 
  // 这里先用最常见的小模型，把流程跑通最重要。
 
  model: 'text-embedding-3-small',
 
})
 
// 用户问题进入检索前，先会被转成向量。
 
const vector = await embeddings.embedQuery('请假流程怎么走')
 
// 向量维度是固定的，后面相似度比较就在这个数字空间里完成。
 
console.log(vector.length)
 
// 这里只是随便看几个值，实际项目里不会手动处理这些数字。
 
console.log(vector.slice(0, 5))

// embedding-docs.ts
import { OpenAIEmbeddings } from '@langchain/openai'
 
const embeddings = new OpenAIEmbeddings({
 
  model: 'text-embedding-3-small',
 
})
 
// 这里是知识库里的文档内容，属于“提前建索引”的阶段。
 
const docVectors = await embeddings.embedDocuments([
 
  '员工提交请假申请后，需要主管审批。',
 
  '报销流程需要上传票据和审批单。',
 
])
 
// 这里是用户实时发来的问题，属于“查询阶段”。
 
const queryVector = await embeddings.embedQuery('请假要先找谁审批')
 
// 两条文档，所以会返回两组向量。
 
console.log(docVectors.length)
 
// 查询只有一句，所以只会得到一组向量。
 
console.log(queryVector.length)

// embedding-usage.txt
建索引阶段：
 
文档块 A ─┐
 
文档块 B ─┼─ embedDocuments(...) ─→ 写进向量库
 
文档块 C ─┘
 
查询阶段：
 
用户问题 ── embedQuery(...) ─→ 去向量库里找最近的块

// embedding-usage.ts
// 这一步通常发生在“准备知识库”的脚本里。
 
// fromDocuments 内部会先对每个 Document 做文档 embedding。
 
const vectorStore = await MemoryVectorStore.fromDocuments(chunks, embeddings)
 
// 这一步通常发生在“用户提问”的运行时逻辑里。
 
// similaritySearch 内部会先把 question 做查询 embedding，再去比相似度。
 
const docs = await vectorStore.similaritySearch(question, 3)

// memory-vectorstore.ts
import { MemoryVectorStore } from '@langchain/classic/vectorstores/memory'
 
import { OpenAIEmbeddings } from '@langchain/openai'
 
import { Document } from '@langchain/core/documents'
 
const embeddings = new OpenAIEmbeddings({
 
  model: 'text-embedding-3-small',
 
})
 
// fromDocuments 会把文档先做 embedding，
 
// 再把“文档 + 向量”一起放进内存向量库。
 
const vectorStore = await MemoryVectorStore.fromDocuments(
 
  [
 
    new Document({
 
      // 这里的正文，后面会参与向量检索。
 
      pageContent: '员工提交请假申请后，需要直属主管审批。',
 
      // metadata 不参与语义匹配，但后面可以拿来显示来源或分类。
 
      metadata: { source: 'handbook.pdf', topic: 'leave' },
 
    }),
 
    new Document({
 
      pageContent: '报销时需要上传票据和审批单。',
 
      metadata: { source: 'handbook.pdf', topic: 'expense' },
 
    }),
 
    new Document({
 
      pageContent: '调休申请通过后，系统会自动更新剩余工时。',
 
      metadata: { source: 'handbook.pdf', topic: 'leave' },
 
    }),
 
  ],
 
  embeddings,
 
)

// retrieve-before-agent.ts
// 这里还是检索阶段，Agent 还没有开始回答。
 
const docs = await vectorStore.similaritySearch('请假要先找谁审批', 2)
 
docs.forEach((doc) => {
 
  // pageContent 是真正检索命中的正文。
 
  console.log(doc.pageContent)
 
  // metadata 方便你确认它是从哪份资料、哪个主题里取回来的。
 
  console.log(doc.metadata)
 
})

// agent-with-retrieval.ts
import { createAgent } from 'langchain'
 
import { MemoryVectorStore } from '@langchain/classic/vectorstores/memory'
 
import { OpenAIEmbeddings } from '@langchain/openai'
 
import { Document } from '@langchain/core/documents'
 
const embeddings = new OpenAIEmbeddings({
 
  model: 'text-embedding-3-small',
 
})
 
// 这里先准备一份很小的知识库。
 
// 实际项目里，这些 Document 往往来自前面那篇的切块结果。
 
const vectorStore = await MemoryVectorStore.fromDocuments(
 
  [
 
    new Document({
 
      pageContent: '员工提交请假申请后，需要直属主管审批。',
 
      metadata: { source: 'handbook.pdf', topic: 'leave' },
 
    }),
 
    new Document({
 
      pageContent: '调休申请通过后，系统会自动更新剩余工时。',
 
      metadata: { source: 'handbook.pdf', topic: 'leave' },
 
    }),
 
    new Document({
 
      pageContent: '报销时需要上传票据和审批单。',
 
      metadata: { source: 'handbook.pdf', topic: 'expense' },
 
    }),
 
  ],
 
  embeddings,
 
)
 
const agent = createAgent({
 
  model: 'openai:gpt-4.1-mini',
 
  tools: [],
 
})
 
async function answerWithKnowledge(question: string) {
 
  // 1. 先检索最相关的文档块。
 
  const docs = await vectorStore.similaritySearch(question, 2)
 
  // 2. 再把检索结果拼成一段可读上下文。
 
  // 这里不直接把 Document[] 原样塞给 Agent，是为了让 system 更清楚。
 
  const context = docs
 
    .map((doc, index) => {
 
      return `资料 ${index + 1}：${doc.pageContent}`
 
    })
 
    .join('\n\n')
 
  const result = await agent.invoke({
 
    messages: [
 
      {
 
        // system 负责告诉 Agent：哪些内容是参考资料，以及回答时要遵守什么边界。
 
        role: 'system',
 
        content: `你是公司的 AI 助手。
 
请优先根据下面的参考资料回答问题。
 
如果资料里没有明确答案，就直接说不知道，不要编造。
 
参考资料：
 
${context}`,
 
      },
 
      {
 
        // user 仍然是用户原始问题，不需要改写。
 
        role: 'user',
 
        content: question,
 
      },
 
    ],
 
  })
 
  // 3. 最后一条消息就是本轮回答。
 
  return result.messages.at(-1)?.text ?? ''
 
}
 
const answer = await answerWithKnowledge('请假要先找谁审批？')
 
// 这里看到的结果，已经是“检索 + 回答”合起来后的最终输出。
 
console.log(answer)

// similarity-vs-mmr.ts
// 最直接的方式：只按相似度排序。
 
const similarDocs = await vectorStore.similaritySearch(
 
  'React 里怎么处理副作用',
 
  3,
 
)
 
// 如果你不想返回的 3 段资料都太像，可以试试 MMR。
 
const diverseDocs = await vectorStore.maxMarginalRelevanceSearch(
 
  'React 里怎么处理副作用',
 
  {
 
    // 最终返回 3 段。
 
    k: 3,
 
    // 先多取一些候选，再从里面挑更分散的结果。
 
    fetchK: 10,
 
    // 越接近 1 越偏向相关性，越接近 0 越偏向多样性。
 
    lambda: 0.5,
 
  },
 
)