langchain相似度检索

根据提供的引用内容，langchain的相似度比较默认是通过欧式距离，而embedding模型多是用余弦相似度比较。因此，如果要使用langchain进行相似度检索，需要更改相似度比较的方式为余弦相似度。

以下是使用FAISS库实现余弦相似度检索的示例代码：

import numpy as np
import faiss

# 构造数据
d = 64  # 向量维度
nb = 100000  # 向量数量
xb = np.random.random((nb, d)).astype('float32')

# 建立索引
index = faiss.IndexFlatL2(d)  # 使用欧式距离
index = faiss.IndexFlatIP(d)  # 使用余弦相似度
index.add(xb)

# 查询
k = 5  # 返回的最近邻数量
xq = np.random.random((1, d)).astype('float32')
D, I = index.search(xq, k)

print(I)  # 最近邻向量的索引
print(D)  # 最近邻向量与查询向量的距离