Chroma向量数据库内容查看实战：从基础查询到高级过滤

1次阅读

没有评论

共计 2067 个字符，预计需要花费 6 分钟才能阅读完成。

在深入查询操作前，需要理解三个关键数据结构：

Collection：相当于传统数据库的表，是存储嵌入向量的基本单位。每个 collection 包含：
向量数据（必选）
关联的 ID 列表（必选）
元数据 metadata（可选）
Embedding：经过模型转换后的高维数值表示，例如用 BERT 生成的 768 维向量。Chroma 不限制原始内容格式，但所有 embedding 必须保持相同维度。
Metadata：键值对形式的附加信息，支持字符串、数字等基本类型。典型应用场景包括：
存储原始文本片段
记录数据来源 / 时间戳
添加业务标签（如用户分类）

实际使用中常遇到以下问题：

查询效率低下 ：全表扫描导致响应缓慢
内存爆炸 ：一次性加载大量未过滤的向量
条件查询不灵活 ：简单 API 难以实现复杂业务过滤
结果不可控 ：缺少分页机制导致返回数据量过大

通过 ID 直接获取内容是最基础的操作，适合已知具体标识符的场景：

import chromadb

# 初始化客户端
client = chromadb.Client()
collection = client.get_collection("my_collection")

# 通过单个 ID 查询
result = collection.get(ids=["doc_001"],
    include=["embeddings", "metadatas"]  # 控制返回字段
)
print(f"元数据: {result['metadatas'][0]}")
print(f"向量维度: {len(result['embeddings'][0])}")

# 批量 ID 查询（最多 1000 个 ID 避免内存问题）batch_result = collection.get(ids=["doc_001", "doc_002"],
    include=["documents"]  # 只返回原始文本
)

结合 metadata 实现复杂查询是生产环境的关键技能：

# 准备测试数据
collection.add(embeddings=[[0.1, 0.2], [0.3, 0.4]],
    metadatas=[{"category": "news", "year": 2023},
        {"category": "report", "year": 2022}
    ],
    ids=["id1", "id2"]
)

# 单条件过滤
news_items = collection.query(query_embeddings=[[0.15, 0.25]],  # 模拟查询向量
    n_results=5,
    where={"category": {"$eq": "news"}}  # 等价于 SQL WHERE
)

# 多条件组合
recent_reports = collection.query(
    where={
        "$and": [{"category": {"$eq": "report"}},
            {"year": {"$gte": 2022}}  # 大于等于 2022 年
        ]
    },
    limit=10  # 限制返回数量
)

# 存在性检查
has_year_field = collection.query(where={"year": {"$exists": True}}
)

支持的运算符包括：$eq, $ne, $gt, $lt, $gte, $lte, $in, $nin, $exists

通过实测对比不同查询方式的资源消耗（测试数据集：10 万条记录）：