chroma 一步步使用
安装
# 安装chromadb
pip install chromadb,sentence_transformers
# 不启动服务会出现sock.connect(sa)TimeoutError: timed out
chroma run
服务启动后，您将看到类似以下输出：
建立连接
部署完成后，需要建立与Chroma服务的连接：
import chromadb
# 创建了临时客户端。程序终止时，您提取的任何数据都会丢失
client = chromadb.Client()
创建向量集合
chroma连接若直接创建集合(“Collection”（集合）是存储向量的基本单位，类似于关系型数据库中的表)，会使用内置的嵌入模型all-MiniLM-L6-v2。
# 首先导入embedding模型
from chromadb.utils import embedding_functions
collection = chroma_client.create_collection(name="my_collection")
collection.add(
documents=[
"关于深度学习技术的文档",
"关于的爱情小说文档"
],
ids=["id1", "id2"]
)
print(collection)
chroma默认使用欧氏距离计算向量相似度
查询文档
Chroma提供多种查询方式，满足不同场景需求：
1. 基于ID查询
当你知道确切的文档ID时，可以直接查询：
# 根据ID获取文档
result = collection.get(
ids=["id1"]
)
2. 语义向量检索
RAG系统的核心功能是语义检索，基于查询与文档的语义相似度：
# 语义检索
# Chroma 默认会返回 10 条结果。这里我们只添加了 2 个文档，因此我们设置n_results=2
results = collection.query(
query_texts=["如何使用向量数据库？"],
n_results=2
)
print(results)
工程中优化
混合检索
Chroma还支持将全文匹配与向量检索结合：
# 全文匹配 + 向量检索
results = collection.query(
query_texts=["检索技术的应用"],
n_results=2,
where_document={"$contains": "检索"}, # 文档必须包含"检索"一词
include=["documents", "metadatas"]
)
Chroma支持将向量检索与元数据过滤结合，实现更精准的查询：
# 元数据过滤 + 向量检索
results = collection.query(
query_texts=["大语言模型的应用"],
n_results=2,
where={"topic": "llm"}, # 仅检索topic为llm的文档
include=["documents", "metadatas"]
)
元数据过滤支持多种操作符：
- 相等：
{"field": value} - 不等：
{"field": {"$ne": value}} - 大于/小于：
{"field": {"$gt": value}}或{"field": {"$lt": value}} - 范围：
{"field": {"$gte": min_value, "$lte": max_value}} - 复合条件：
{"$and": [condition1, condition2]}
调参：索引与性能优化
Chroma默认使用HNSW（分层可导航小世界图）作为向量索引算法，无需手动创建索引。但你可以通过元数据调整索引参数：
# 创建集合时设置HNSW参数
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, # 每个节点的最大连接数
"hnsw:ef_construction": 200, # 构建索引时的搜索宽度
"hnsw:ef": 100 # 查询时的搜索宽度
}
)
关键参数解释：
M：控制图的连接度，值越大精度越高但内存消耗也越大ef_construction：影响索引质量，值越大精度越高但构建速度越慢ef：影响查询精度和速度，值越大召回率越高但查询速度越慢