chroma 一步步使用

安裝

# 安裝chromadb
pip install chromadb,sentence_transformers# 不啟動服務會出現sock.connect(sa)TimeoutError: timed out
chroma run

服務啟動后，您將看到類似以下輸出：

建立連接

部署完成后，需要建立與Chroma服務的連接：

import chromadb# 創建了臨時客戶端。程序終止時，您提取的任何數據都會丟失
client = chromadb.Client()

創建向量集合

chroma連接若直接創建集合(“Collection”（集合）是存儲向量的基本單位，類似于關系型數據庫中的表)，會使用內置的嵌入模型all-MiniLM-L6-v2。

# 首先導入embedding模型
from chromadb.utils import embedding_functionscollection = chroma_client.create_collection(name="my_collection")
collection.add(documents=["關于深度學習技術的文檔","關于的愛情小說文檔"],ids=["id1", "id2"]
)
print(collection)

chroma默認使用歐氏距離計算向量相似度

查詢文檔

Chroma提供多種查詢方式，滿足不同場景需求：

1. 基于ID查詢

當你知道確切的文檔ID時，可以直接查詢：

# 根據ID獲取文檔
result = collection.get(ids=["id1"]
)

2. 語義向量檢索

RAG系統的核心功能是語義檢索，基于查詢與文檔的語義相似度：

# 語義檢索
# Chroma 默認會返回 10 條結果。這里我們只添加了 2 個文檔，因此我們設置n_results=2
results = collection.query(query_texts=["如何使用向量數據庫？"],n_results=2
)
print(results)

工程中優化

混合檢索

Chroma還支持將全文匹配與向量檢索結合：

# 全文匹配 + 向量檢索
results = collection.query(query_texts=["檢索技術的應用"],n_results=2,where_document={"$contains": "檢索"},  # 文檔必須包含"檢索"一詞include=["documents", "metadatas"]
)

Chroma支持將向量檢索與元數據過濾結合，實現更精準的查詢：

# 元數據過濾 + 向量檢索
results = collection.query(query_texts=["大語言模型的應用"],n_results=2,where={"topic": "llm"},  # 僅檢索topic為llm的文檔include=["documents", "metadatas"]
)

元數據過濾支持多種操作符：

• 相等：{"field": value}
• 不等：{"field": {"$ne": value}}
• 大于/小于：{"field": {"$gt": value}} 或 {"field": {"$lt": value}}
• 范圍：{"field": {"$gte": min_value, "$lte": max_value}}
• 復合條件：{"$and": [condition1, condition2]}

調參：索引與性能優化

Chroma默認使用HNSW（分層可導航小世界圖）作為向量索引算法，無需手動創建索引。但你可以通過元數據調整索引參數：

# 創建集合時設置HNSW參數
collection = client.create_collection(name="optimized_collection",embedding_function=embedding_func,metadata={"hnsw:space": "cosine",       # 相似度度量方式"hnsw:M": 16,                 # 每個節點的最大連接數"hnsw:ef_construction": 200,  # 構建索引時的搜索寬度"hnsw:ef": 100                # 查詢時的搜索寬度}
)

關鍵參數解釋：

• M：控制圖的連接度，值越大精度越高但內存消耗也越大
• ef_construction：影響索引質量，值越大精度越高但構建速度越慢
• ef：影響查詢精度和速度，值越大召回率越高但查詢速度越慢