要将 Haystack 与向量嵌入集成以用于文档检索，你需要结合 Haystack 的流水线架构和嵌入模型，将文本转换为数值向量，然后使用这些向量进行基于相似度的搜索。Haystack 提供了内置组件来处理嵌入，可以轻松地将 Sentence Transformers 或 OpenAI 嵌入等模型连接到检索系统。该过程包含三个主要步骤：生成文档的嵌入，将它们存储在针对向量搜索优化的数据库中，以及使用相同的嵌入模型进行查询以找到相关匹配项。
首先，准备好你的文档并生成嵌入。使用像 sentence-transformers 这样的库，你可以为每个文档的文本创建嵌入。例如，使用 Haystack 的 Document 类加载你的文本数据，然后使用 Embedder 组件（例如 SentenceTransformersDocumentEmbedder）将文本转换为向量。这些向量与原始文本一起存储在 Haystack DocumentStore 中，例如 Elasticsearch、FAISS 或 Weaviate。对于大规模应用，FAISS 是个不错的选择，因为它具有高效的相似度搜索能力。你需要初始化 DocumentStore，并设置索引嵌入，确保它们以针对快速检索优化的格式存储。
接下来，配置检索流水线。Haystack 的 Pipeline 类允许你将 Retriever（例如 EmbeddingRetriever）等组件与你的 DocumentStore 串联起来。检索器使用存储的嵌入来查找向量最接近查询向量的文档。例如，当用户提交查询时，相同的嵌入模型将查询文本转换为向量，检索器在 DocumentStore 中执行最近邻搜索。你可以调整 top_k 等参数来控制返回结果的数量。如果你需要混合搜索（结合向量和关键词检索），Haystack 允许你使用 JoinDocuments 等组件合并来自多个检索器的结果。
最后，测试并优化系统。从一个小数据集开始，验证嵌入是否正确生成，并且查询是否返回相关结果。使用 Haystack 的评估工具来衡量召回率或准确率等指标。为了提高性能，可以考虑调整 DocumentStore（例如 FAISS 索引类型）或尝试不同的嵌入模型（例如 all-mpnet-base-v2 以平衡速度/准确率）。如果使用 GPU 加速，请确保你的嵌入模型和 DocumentStore（如 FAISS）配置为利用 GPU。这种方法确保使用 Haystack 的模块化工具和向量嵌入实现可扩展、准确的文档检索。