看 libs/core/langchain_core/retrievers.py:55——类签名一行就交代了输入输出契约：

# libs/core/langchain_core/retrievers.py:55
class BaseRetriever(RunnableSerializable[RetrieverInput, RetrieverOutput], ABC):
    # RetrieverInput = str（查询词）, RetrieverOutput = list[Document]（相关文档）
    ...

公开入口 invoke（retrievers.py:179）是一个标准的"模板方法"——包一圈回调，把真活委托给子类：

# libs/core/langchain_core/retrievers.py:179（裁剪）
def invoke(self, input: str, config=None, **kwargs) -> list[Document]:
    config = ensure_config(config)
    callback_manager = CallbackManager.configure(                # ① 装配回调（LangSmith 追踪靠它）
        config.get("callbacks"), None, ...,
        inheritable_tags=config.get("tags"), local_tags=self.tags, ...)
    run_manager = callback_manager.on_retriever_start(           # ② 记录"检索开始"事件
        None, input, name=config.get("run_name") or self.get_name(), ...)
    try:
        result = self._get_relevant_documents(                   # ③ ★真正的检索：交给子类
            input, run_manager=run_manager)
    except Exception as e:
        run_manager.on_retriever_error(e)                        # ④ 失败也上报
        raise
    else:
        run_manager.on_retriever_end(result)                     # ⑤ 记录"检索结束+结果"
        return result

子类唯一必须实现的抽象方法（retrievers.py:298）：

# libs/core/langchain_core/retrievers.py:298
@abstractmethod
def _get_relevant_documents(
    self, query: str, *, run_manager: CallbackManagerForRetrieverRun
) -> list[Document]:
    """Get documents relevant to a query."""

Day11 结尾埋的钩子今天揭开。VectorStore.as_retriever（libs/core/langchain_core/vectorstores/base.py:905）去掉长长的 docstring 后只有两行（base.py:960-961）：

# libs/core/langchain_core/vectorstores/base.py:960
tags = kwargs.pop("tags", None) or [*self._get_retriever_tags()]
return VectorStoreRetriever(vectorstore=self, tags=tags, **kwargs)

产出的 VectorStoreRetriever（base.py:964）本质是"向量库 + 检索策略配置"的组合体：

# libs/core/langchain_core/vectorstores/base.py:964
class VectorStoreRetriever(BaseRetriever):
    """Base Retriever class for VectorStore."""

    vectorstore: VectorStore                       # 背后的书库（Day11 的对象）
    search_type: str = "similarity"                # 用哪种找法，默认相似度
    search_kwargs: dict[str, Any] = Field(default_factory=dict)   # k、filter、阈值…

    allowed_search_types: ClassVar[Collection[str]] = (
        "similarity",                              # 纯相似度 top-k
        "similarity_score_threshold",              # 带分数下限
        "mmr",                                     # 最大边际相关：相关性+多样性
    )

VectorStoreRetriever 实现的"芯"（base.py:1040）就是把 search_type 翻译成 Day11 学过的那几个方法：

# libs/core/langchain_core/vectorstores/base.py:1040
def _get_relevant_documents(self, query, *, run_manager, **kwargs) -> list[Document]:
    kwargs_ = self.search_kwargs | kwargs                       # 配置合并：调用时可临时覆盖
    if self.search_type == "similarity":
        docs = self.vectorstore.similarity_search(query, **kwargs_)      # ① 纯 top-k
    elif self.search_type == "similarity_score_threshold":
        docs_and_similarities = (
            self.vectorstore.similarity_search_with_relevance_scores(    # ② 先拿分数
                query, **kwargs_))
        docs = [doc for doc, _ in docs_and_similarities]                 #    低于阈值的已被过滤
    elif self.search_type == "mmr":
        docs = self.vectorstore.max_marginal_relevance_search(query, **kwargs_)  # ③ 去同质化
    else:
        raise ValueError(f"search_type of {self.search_type} not allowed.")
    return docs

零件齐了：Retriever 是 Runnable（今天），Prompt 是 Runnable（D07），ChatModel 是 Runnable（D05），解析器是 Runnable（D08）。用 D03 的 | 拼起来：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

retriever = store.as_retriever(search_kwargs={"k": 3})       # Day11 的库 + 今天的管理员

def format_docs(docs):                                       # list[Document] → 一段文本
    return "\n\n".join(doc.page_content for doc in docs)

prompt = ChatPromptTemplate.from_template(
    "只根据以下材料回答问题，材料里没有就说不知道。\n材料：\n{context}\n\n问题：{question}")

rag_chain = (
    {"context": retriever | format_docs,                     # ① 并行分支A：问题→翻书→拼材料
     "question": RunnablePassthrough()}                      # ② 并行分支B：问题原样透传
    | prompt                                                 # ③ 填模板 → 消息列表
    | chat_model                                             # ④ 开卷答题
    | StrOutputParser()                                      # ⑤ AIMessage → 纯字符串
)
answer = rag_chain.invoke("请假要提前几天申请？")