如何创建一个时间加权检索器

前提条件

本指南假定您熟悉以下概念：

• 检索器
• 向量存储
• 增强生成检索（RAG）

本指南介绍 TimeWeightedVectorStoreRetriever，它结合了语义相似性和时间衰减。

评分算法如下：

语义相似性 + (1.0 - 衰减率) ^ 经过的小时数

需要注意的是，hours_passed 指的是自检索器中的对象最后一次被访问以来经过的小时数，而不是自其创建以来的时间。这意味着频繁访问的对象会保持“新鲜”。

let score = (1.0 - this.decayRate) ** hoursPassed + vectorRelevance;

其中，this.decayRate 是一个在 0 到 1 之间的可配置小数。数值越低，表示文档会被“记住”更长时间；数值越高，则更强调最近访问的文档。

请注意，当衰减率设置为精确的 0 或 1 时，hoursPassed 将变得无关紧要，并且此检索器将等同于标准的向量查找。

由于需要特定的元数据，所有文档必须使用 检索器 上的 addDocuments 方法添加到底层向量存储中，而不是直接使用向量存储本身的方法。

:::提示 请参阅安装集成包的一般说明部分。 :::

npm

npm install @langchain/openai @langchain/core

Yarn

yarn add @langchain/openai @langchain/core

pnpm

pnpm add @langchain/openai @langchain/core

import { TimeWeightedVectorStoreRetriever } from "langchain/retrievers/time_weighted";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "@langchain/openai";

const vectorStore = new MemoryVectorStore(new OpenAIEmbeddings());

const retriever = new TimeWeightedVectorStoreRetriever({
  vectorStore,
  memoryStream: [],
  searchKwargs: 2,
});

const documents = [
  "My name is John.",
  "My name is Bob.",
  "My favourite food is pizza.",
  "My favourite food is pasta.",
  "My favourite food is sushi.",
].map((pageContent) => ({ pageContent, metadata: {} }));

// All documents must be added using this method on the retriever (not the vector store!)
// so that the correct access history metadata is populated
await retriever.addDocuments(documents);

const results1 = await retriever.invoke("What is my favourite food?");

console.log(results1);

/*
[
  Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
 */

const results2 = await retriever.invoke("What is my favourite food?");

console.log(results2);

/*
[
  Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
 */

API Reference:

• TimeWeightedVectorStoreRetriever from langchain/retrievers/time_weighted
• MemoryVectorStore from langchain/vectorstores/memory
• OpenAIEmbeddings from @langchain/openai

下一步

现在您已经了解了如何在执行检索时将时间作为影响因素之一。

接下来，可以查看关于 RAG 的完整教程，或者本部分的如何为任意数据源创建自定义检索器。