Chroma向量数据库内容查看实战：从基础查询到高级过滤技巧

1次阅读

共计 2238 个字符，预计需要花费 6 分钟才能阅读完成。

向量数据库在 AI 应用中扮演着越来越重要的角色，而 Chroma 作为一款轻量级向量数据库，因其易用性和高效性受到开发者青睐。但在实际使用中，很多开发者会遇到一些常见问题：

数据量增大后查询速度明显下降
复杂的过滤条件不知如何实现
对查询结果的格式处理感到困惑
缺乏性能优化的系统方法

这些问题如果不解决，会严重影响开发效率和系统性能。下面我们就从基础到高级，一步步解决这些痛点。

get()是最基础的查看内容方法，用于获取集合 (collection) 中的文档。看一个简单示例：

import chromadb

# 创建客户端
client = chromadb.Client()

# 获取或创建集合
collection = client.get_or_create_collection(name="my_collection")

# 添加一些数据
collection.add(documents=["这是第一个文档", "这是第二个文档"],
    metadatas=[{"source": "internal"}, {"source": "external"}],
    ids=["id1", "id2"]
)

# 使用 get()获取所有内容
results = collection.get()
print(results)

这个简单例子展示了如何获取集合中的所有内容。get()方法会返回包含文档、元数据和 ID 的字典。

query()是更常用的查询方法，可以根据向量或文本进行相似性搜索：

# 根据文本查询相似文档
results = collection.query(query_texts=["查询文档"],
    n_results=2
)
print(results)

# 根据向量查询
import numpy as np
query_embedding = np.random.random(1536).tolist()  # 假设使用 1536 维向量
results = collection.query(query_embeddings=[query_embedding],
    n_results=2
)
print(results)

Chroma 支持通过 where 参数添加过滤条件，语法灵活：

# 简单条件过滤
results = collection.get(where={"source": "internal"}  # 只获取 source 为 internal 的文档
)

# 复杂条件过滤
results = collection.get(
    where={
        "$and": [{"source": {"$eq": "internal"}},
            {"date": {"$gte": "2023-01-01"}}
        ]
    }
)

支持的比较操作符包括：

$eq: 等于
$ne: 不等于
$gt: 大于
$gte: 大于等于
$lt: 小于
$lte: 小于等于
$in: 包含于
$nin: 不包含于

假设我们有一个新闻文章集合，需要查询特定类别且发布时间在一定范围内的文章：

# 添加一些新闻数据
collection.add(documents=["新闻内容 1", "新闻内容 2", "新闻内容 3"],
    metadatas=[{"category": "sports", "publish_date": "2023-05-01"},
        {"category": "politics", "publish_date": "2023-05-15"},
        {"category": "technology", "publish_date": "2023-06-01"}
    ],
    ids=["news1", "news2", "news3"]
)

# 查询体育类别且在 2023 年 5 月发布的新闻
results = collection.get(
    where={
        "$and": [{"category": {"$eq": "sports"}},
            {"publish_date": {"$gte": "2023-05-01"}},
            {"publish_date": {"$lte": "2023-05-31"}}
        ]
    }
)
print(results)