VectorStore
LangChain 中负责向量存储与相似度检索的底层接口抽象，提供 similarity_search 等方法。
核心事实
时间轴 (近 90 天)
在LangChain中，Embeddings、VectorStore和Retriever构成标准抽象：文档经切分后嵌入入库，查询时先嵌入问题再检索Top-K相关片段，拼入提示词交给LLM。
`VectorStore` 负责向量的存储与相似度检索（如 `similarity_search`），是偏底层的存储接口；`Retriever` 是更通用的检索接口，只暴露 `get_relevant_documents`（新版为 `invoke`），任何能根据查询返回文档的对象都可以是 Retriever，不一定是向量库。
`asRetriever()` 只是把 VectorStore 包装成 Retriever 的适配器，中间还可以插入 MMR、相似度阈值、多查询改写等策略。
LangChain通过Retriever、Document Loader和VectorStore集成，承载将外部私有数据以提示词形式注入上下文的检索—拼接—生成流程。
Semantica 构建的知识图谱会被存入 VectorStore，将图结构与向量检索结合，Agent 既可通过图的边关系进行结构化遍历，也可通过向量相似度进行模糊语义检索
全部知识事实 (6)
Spring AI提供统一的VectorStore接口抽象，开发者切换不同向量数据库时无需修改业务逻辑代码
70%待验证在LangChain中，Embeddings、VectorStore和Retriever构成标准抽象：文档经切分后嵌入入库，查询时先嵌入问题再检索Top-K相关片段，拼入提示词交给LLM。
50%待验证`VectorStore` 负责向量的存储与相似度检索（如 `similarity_search`），是偏底层的存储接口；`Retriever` 是更通用的检索接口，只暴露 `get_relevant_documents`（新版为 `invoke`），任何能根据查询返回文档的对象都可以是 Retriever，不一定是向量库。
50%待验证`asRetriever()` 只是把 VectorStore 包装成 Retriever 的适配器，中间还可以插入 MMR、相似度阈值、多查询改写等策略。
50%待验证LangChain通过Retriever、Document Loader和VectorStore集成，承载将外部私有数据以提示词形式注入上下文的检索—拼接—生成流程。
50%待验证Semantica 构建的知识图谱会被存入 VectorStore，将图结构与向量检索结合，Agent 既可通过图的边关系进行结构化遍历，也可通过向量相似度进行模糊语义检索
50%