agentic_huge_data_base / wiki
页面 Cognee · 4.3 向量检索与 RAG·DeepWiki 中文全文译文
DeepWiki 中文译文 / Cognee / 4.3

4.3 · 向量检索与 RAG（Vector Search and RAG）

记忆管道与知识图谱构建 · 本章是 Cognee DeepWiki 中文译文的独立章节页，保留原始链接、源码锚点、模块标签和章节层级。

项目Cognee 章节4.3 状态全文译文 模块检索、召回与索引、模型调用与提供方适配、图谱与关系、测试、发布与运维
项目要点页2.5 参考项目 项目章节目录Cognee DeepWiki 原始章节Vector Search and RAG 上一章4.2 下一章4.4
源码线索
  • cognee/infrastructure/llm/prompts/extract_query_time.txt
  • cognee/modules/graph/utils/__init__.py
  • cognee/modules/graph/utils/get_entity_nodes_from_triplets.py
  • cognee/modules/retrieval/base_retriever.py
  • cognee/modules/retrieval/chunks_retriever.py
  • cognee/modules/retrieval/completion_retriever.py
  • cognee/modules/retrieval/graph_completion_context_extension_retriever.py
  • cognee/modules/retrieval/graph_completion_cot_retriever.py
  • cognee/modules/retrieval/graph_completion_retriever.py
  • cognee/modules/retrieval/graph_summary_completion_retriever.py
模块标签
  • 检索、召回与索引
  • 模型调用与提供方适配
  • 图谱与关系
  • 测试、发布与运维
  • 存储与持久化

中文译文

向量检索与 RAG（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/topoteretes/cognee/4.3-vector-search-and-rag
翻译时间：2026-05-27T08:45:17.764Z
翻译模型：deepseek-chat
原文字符数：12850
项目：Cognee (cognee)

---

向量搜索与检索增强生成（RAG）

相关源文件

以下文件被用作生成此 Wiki 页面的上下文：

  • cognee/infrastructure/llm/prompts/extract_query_time.txt
  • cognee/modules/graph/utils/__init__.py
  • cognee/modules/graph/utils/get_entity_nodes_from_triplets.py
  • cognee/modules/retrieval/base_retriever.py
  • cognee/modules/retrieval/chunks_retriever.py
  • cognee/modules/retrieval/completion_retriever.py
  • cognee/modules/retrieval/graph_completion_context_extension_retriever.py
  • cognee/modules/retrieval/graph_completion_cot_retriever.py
  • cognee/modules/retrieval/graph_completion_retriever.py
  • cognee/modules/retrieval/graph_summary_completion_retriever.py
  • cognee/modules/retrieval/jaccard_retrival.py
  • cognee/modules/retrieval/lexical_retriever.py
  • cognee/modules/retrieval/summaries_retriever.py
  • cognee/modules/retrieval/temporal_retriever.py
  • cognee/modules/retrieval/triplet_retriever.py
  • cognee/modules/retrieval/utils/access_tracking.py
  • cognee/modules/retrieval/utils/completion.py
  • cognee/tasks/cleanup/cleanup_unused_data.py
  • cognee/tests/unit/modules/retrieval/chunks_retriever_test.py
  • cognee/tests/unit/modules/retrieval/graph_completion_retriever_context_extension_test.py
  • cognee/tests/unit/modules/retrieval/graph_completion_retriever_cot_test.py
  • cognee/tests/unit/modules/retrieval/graph_completion_retriever_test.py
  • cognee/tests/unit/modules/retrieval/rag_completion_retriever_test.py
  • cognee/tests/unit/modules/retrieval/summaries_retriever_test.py
  • cognee/tests/unit/modules/retrieval/temporal_retriever_test.py
  • cognee/tests/unit/modules/retrieval/test_brute_force_triplet_search.py
  • cognee/tests/unit/modules/retrieval/triplet_retriever_test.py

本文档介绍了 Cognee 中的向量搜索和检索增强生成（RAG）能力。它解释了文本和数据如何被转换为向量嵌入向量、存储在向量数据库中，并通过语义相似度搜索进行检索。检索增强生成（RAG）通过使用检索到的上下文来增强大语言模型（LLM）的响应，从而扩展了向量搜索的功能。

关于基于图的搜索和遍历，请参见 4.2 基于图的搜索。关于可用搜索类型的详细信息，请参见 4.1 搜索类型概览。关于向量数据库提供商的配置，请参见 5.1 向量数据库适配器。

目的与架构

向量搜索通过将文本转换为高维嵌入向量并在向量空间中寻找最近邻，从而实现语义相似度检索。检索增强生成（RAG）将这种检索与大语言模型（LLM）生成相结合，以提供基于上下文的响应。

该架构遵循以下模式：

  1. 嵌入向量生成：通过 EmbeddingEngine 将文本转换为向量 cognee/modules/retrieval/completion_retriever.py:5-5。
  2. 存储：通过 index_data_points 将向量与载荷数据一起存储在向量数据库中 cognee/tasks/storage/index_data_points.py:10-27。
  3. 搜索：对查询进行嵌入向量化，并通过 vector_engine.search 进行相似度搜索以找到相关结果 cognee/modules/retrieval/chunks_retriever.py:98-100。
  4. 检索增强生成（RAG）补全：将检索到的上下文发送给大语言模型（LLM）以生成答案，使用特定的检索器，如 CompletionRetriever cognee/modules/retrieval/completion_retriever.py:17-148 或 ChunksRetriever cognee/modules/retrieval/chunks_retriever.py:11-108。

来源：cognee/modules/retrieval/completion_retriever.py:5-148, cognee/tasks/storage/index_data_points.py:10-27, cognee/modules/retrieval/chunks_retriever.py:11-108

向量数据库集成

graph TB
    subgraph "应用层"
        SearchAPI["search() API<br/>cognee.search()"]
        CognifyPipeline["cognify 管线<br/>index_data_points()"]
    end

    subgraph "向量引擎工厂"
        VectorEngine["get_vector_engine()<br/>工厂函数"]
        EmbeddingEngine["EmbeddingEngine<br/>embed_text()"]
    end

    subgraph "适配器层"
        VectorInterface["VectorDBInterface<br/>协议"]

        LanceAdapter["LanceDBAdapter<br/>search()"]
        PGAdapter["PGVectorAdapter<br/>search()"]
        ChromaAdapter["ChromaDBAdapter"]
    end

    subgraph "检索模块"
        ChunksRetriever["ChunksRetriever<br/>get_retrieved_objects()"]
        CompletionRetriever["CompletionRetriever<br/>get_completion_from_context()"]
    end

    subgraph "搜索操作"
        QueryEmbed["查询嵌入向量<br/>embed_text([query])"]
        VectorSearch["向量相似度<br/>vector_engine.search()"]
        Results["ScoredResult[]<br/>payload, score"]
    end

    SearchAPI --> ChunksRetriever
    SearchAPI --> CompletionRetriever

    ChunksRetriever --> VectorEngine
    CompletionRetriever --> VectorEngine

    VectorEngine --> LanceAdapter
    VectorEngine --> PGAdapter
    VectorEngine --> ChromaAdapter

    VectorEngine --> EmbeddingEngine

    LanceAdapter -- "实现" --> VectorInterface
    PGAdapter -- "实现" --> VectorInterface

    ChunksRetriever --> VectorSearch
    VectorSearch --> QueryEmbed
    QueryEmbed --> EmbeddingEngine

向量数据库架构

向量数据库系统使用工厂模式，其中 get_vector_engine() 创建实现 VectorDBInterface 的特定于提供商的适配器。像 ChunksRetriever 这样的检索器与 unified.vector 引擎交互，以针对特定集合（如 DocumentChunk_text）执行搜索 cognee/modules/retrieval/chunks_retriever.py:94-100。

来源：cognee/modules/retrieval/chunks_retriever.py:94-100, cognee/modules/retrieval/completion_retriever.py:40-45, cognee/infrastructure/databases/unified.py:26-26

嵌入向量引擎与数据点存储

嵌入向量生成

检索器使用 EmbeddingEngine（可通过向量引擎访问）将查询转换为向量。例如，TemporalRetriever 会显式地对查询进行嵌入向量化，以搜索相关事件 cognee/modules/retrieval/temporal_retriever.py:147-152。

数据点模式与索引

向量数据库为每个数据点存储关键组件，包括 ID、向量和载荷。任务 index_data_points 负责编排创建向量索引和并行索引数据点的过程 cognee/tasks/storage/index_data_points.py:10-72。

存储模式实现
  • LanceDB：使用带有 Vector 类型的 LanceModel，并处理模式迁移 cognee/infrastructure/databases/vector/lancedb/LanceDBAdapter.py:146-158。
  • PGVector：利用 SQLAlchemy 的 Mapped 列和 pgvector 类型 cognee/infrastructure/databases/vector/pgvector/PGVectorAdapter.py:158-171。
  • ChromaDB：将复杂类型序列化为 JSON 字符串进行存储 cognee/infrastructure/databases/vector/chromadb/ChromaDBAdapter.py:56-90。

来源：cognee/tasks/storage/index_data_points.py:10-72, cognee/infrastructure/databases/vector/lancedb/LanceDBAdapter.py:146-158, cognee/infrastructure/databases/vector/pgvector/PGVectorAdapter.py:158-171, cognee/infrastructure/databases/vector/chromadb/ChromaDBAdapter.py:56-90

检索策略

Cognee 通过 BaseRetriever 接口实现了多种检索策略 cognee/modules/retrieval/base_retriever.py:9-9。

片段检索（CHUNKS）

ChunksRetriever 搜索 DocumentChunk_text 集合。它返回找到的片段的原始载荷，而不是生成新的大语言模型（LLM）补全 cognee/modules/retrieval/chunks_retriever.py:33-52。

async def get_retrieved_objects(self, query: str) -> Any:
    unified = await get_unified_engine()
    vector_engine = unified.vector
    found_chunks = await vector_engine.search(
        "DocumentChunk_text", query, limit=self.top_k, include_payload=True
    )
    return found_chunks

来源：cognee/modules/retrieval/chunks_retriever.py:11-108

检索增强生成（RAG）补全（RAG_COMPLETION）

CompletionRetriever 处理标准的检索增强生成（RAG）。它从 DocumentChunk_text 中检索片段，将它们组合成一个上下文字符串，并生成大语言模型（LLM）补全 cognee/modules/retrieval/completion_retriever.py:39-105。如果启用了缓存，它还支持基于会话的检索，包含对话历史 cognee/modules/retrieval/completion_retriever.py:132-147。

来源：cognee/modules/retrieval/completion_retriever.py:17-148

摘要检索（SUMMARIES）

SummariesRetriever 搜索 TextSummary_text 集合，以根据向量相似度找到相关的文档摘要。

来源：cognee/modules/retrieval/summaries_retriever.py:12-117

时间检索（时序）

TemporalRetriever 将时间戳过滤与向量搜索相结合。它使用 extract_time_from_query 从查询中提取时间间隔 cognee/modules/retrieval/temporal_retriever.py:84-104，根据这些时间戳过滤图事件，然后使用向量相似度从过滤后的集合中找到最相关的事件 cognee/modules/retrieval/temporal_retriever.py:147-154。

来源：cognee/modules/retrieval/temporal_retriever.py:19-171

访问跟踪与清理

Cognee 支持跟踪数据使用情况，以促进对未使用上下文的智能清理。

访问跟踪

工具函数 update_node_access_timestamps 在检索文档片段时更新关系数据库中的 last_accessed 字段 cognee/modules/retrieval/utils/access_tracking.py:20-59。它利用 CogneeGraph.project_graph_from_db 从检索到的节点回溯到其原始 TextDocument 或 Document 节点 cognee/modules/retrieval/utils/access_tracking.py:61-87。

graph LR
    subgraph "访问跟踪流程"
        Retriever["检索器<br/>(图/向量)"]
        UpdateTS["update_node_access_timestamps()"]
        GraphProj["CogneeGraph<br/>project_graph_from_db()"]
        SQLUpdate["_update_sql_records()"]
        RelationalDB[("关系数据库<br/>Data 表")]
    end

    Retriever --> UpdateTS
    UpdateTS --> GraphProj
    GraphProj --> SQLUpdate
    SQLUpdate --> RelationalDB

来源：cognee/modules/retrieval/utils/access_tracking.py:20-102, cognee/modules/graph/cognee_graph/CogneeGraph.py:13-22

未使用数据清理

cleanup_unused_data 任务会识别在指定的 minutes_threshold（根据 Data 表中的 last_accessed 列计算）内未被访问的文档，并使用 cognee.delete(mode="hard") 将其删除 cognee/tasks/cleanup/cleanup_unused_data.py:27-172。

来源：cognee/tasks/cleanup/cleanup_unused_data.py:27-172

错误处理

异常描述来源
CollectionNotFoundError当请求的向量集合（例如 DocumentChunk_text）不存在时抛出。cognee/infrastructure/databases/vector/exceptions/exceptions.py:5-23
NoDataError当系统中没有数据可供搜索时，由检索器抛出。cognee/modules/retrieval/exceptions/exceptions.py:5-6

来源：cognee/modules/retrieval/chunks_retriever.py:105-107, cognee/modules/retrieval/completion_retriever.py:48-50