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 1453 个字符，预计需要花费 4 分钟才能阅读完成。

在深入查询操作前，我们需要理解 Chroma 的三个核心概念：

Collection：相当于传统数据库的表，包含一组向量及其关联数据。每个 collection 有唯一名称和指定的 embedding 函数。
Embedding：存储的向量数据，通常是文本或其他媒体通过模型转换后的数值表示。
Metadata：键值对形式的附加数据，用于标记和过滤向量（如创建时间、来源 URL、类别标签等）。

实际使用中常遇到以下问题：

全量加载数据导致内存溢出
复杂查询响应缓慢（>500ms）
模糊条件过滤结果不准确
未合理使用索引导致线性扫描

通过 ID 直接获取内容是最高效的方式，适合已知具体条目的场景：

import chromadb

client = chromadb.Client()
collection = client.get_collection("my_collection")

# 单 ID 查询
result = collection.get(ids=["doc_id_42"],
    include=["documents", "metadatas"]  # 控制返回字段
)
print(result["documents"][0])

# 批量 ID 查询（内存友好方式）ids_chunk = [f"doc_id_{i}" for i in range(100,200)]
for batch in chunker(ids_chunk, size=50):  # 自定义分块函数
    batch_result = collection.get(ids=batch)
    process_results(batch_result)

结合 metadata 的灵活查询能实现业务级过滤，注意 metadata 需要预先设计合理的结构：

# 单条件过滤
results = collection.query(query_texts=["科技新闻"],
    n_results=10,
    where={"category": {"$eq": "technology"}},
    where_document={"$contains": "人工智能"}  # 文档内容包含
)

# 多条件组合（AND/OR）complex_filter = {
    "$and": [{"publish_date": {"$gte": "2023-01-01"}},
        {"$or": [{"author": "王研究员"},
            {"priority": {"$gt": 0.8}}
        ]}
    ]
}

通过测试 100 万条数据得到对比数据（单位：ms）：