Day30上 - ChromaDB 向量数据库

向量数据库

• vector storage engine
• 存储向量
• 关系型数据库：
  • table
    • id, name, age, school, address, ......
    • 增删改查：字符串本身的比较
• 文档型数据库：
  • mongodb
    • collection:
      • document:
        • json
          • 每个json都是任意的结构
• 键值对数据库：
  • redis:
    • 内存型，做缓存
    • key-value对
• 存储向量 ：
  • 虽然叫向量数据库，但是向量部分只是索引，数据本身还是重点
  • 数据查询时，使用向量进行语义化检索，而不是字符串匹配
  • 结构：
    • id, vector, text, metadata
    • id：唯一标识，数据管理时使用
    • vector：向量，用来做语义检索
    • text：文本，信息本身
    • metadata：元数据，用来做过滤
  • 兼容文档型和关系型数据库的特点
• 常见的向量库：
  • FAISS
  • chromadb
  • pinecone
  • milvus
• 语义检索：
  • 欧式距离（不开方）
  • 余弦相似度
  • 向量内积

ChromaDB

• 安装：
  • pip install chromadb
• 增删改查
  • 如何连接数据库？
  • 如何插入数据？
  • 如何检索数据？
  • 如何删除数据？
  • 如何更新数据？
• Chroma官方说明文档：https://docs.trychroma.com/docs/overview/introduction
• 本质：
  • 数据存在那里？
  • 语义检索式怎么实现的？
• 设计理念：
  • 把数据存在 sqlite 中
  • 自己设计一套语义检索逻辑

ChromaDB 基本操作

1. 安装

pip install chromadb

2. 创建 Chroma 客户端

import chromadb
chroma_client = chromadb.Client()

3. 创建 Collection 集合

集合是存储嵌入、文档和任何附加元数据的地方

collection = chroma_client.create_collection(name="my_collection")

4. 添加文本到集合中

Chroma存储文本，并自动处理嵌入和索引

collection.add(
    documents=[
        "This is a document about pineapple",
        "This is a document about oranges"
    ],
    ids=["id1", "id2"]
)

5. 查询集合

可以使用查询文本列表查询该集合，Chroma 将返回最相似的 n 个结果。如果未提供 n_results，Chroma 将默认返回 10 个结果。这里我们只添加了 2 篇文档，因此将 n_results 设置为 2。

results = collection.query(
    query_texts=["This is a query document about hawaii"], # Chroma will embed this for you
    n_results=2 # how many results to return
)
print(results)

6. 检查结果

从上述查询中可以看到，我们关于夏威夷的查询在语义上与关于菠萝的文档最为相似。

{
  'documents': [[
      'This is a document about pineapple',
      'This is a document about oranges'
  ]],
  'ids': [['id1', 'id2']],
  'distances': [[1.0404009819030762, 1.243080496788025]],
  'uris': None,
  'data': None,
  'metadatas': [[None, None]],
  'embeddings': None,
}

7. Demo

"""
    ChromaDB基本操作
"""

from chromadb import Client

chroma_client = Client()
chroma_client

collection = chroma_client.create_collection(name="my_collection",get_or_create=True)

collection.database

collection.configuration_json

"""
    增删改查
"""
import uuid
def get_uuid():
    return str(uuid.uuid4())

ids = [get_uuid() for _ in range(2)]

documents = ["我今天去上学","天气很好"]

collection.add(ids=ids, documents=documents)
results["ids"]

collection.delete('b837983b-2911-4b15-9cc2-447975541a1e')
collection.get()

collection.update(ids=['3f850c2e-b772-4c99-bf19-2edbf5e3ae28'],
                 documents=["大家今天都很高兴"])
collection.get()


# update + insert
collection.upsert()

ChromaDB 服务端存储

参考 chromadb官方文档：https://docs.trychroma.com/production/chroma-server/client-server-mode

1. 终端输入以下命令，启动本地 Chroma 服务端：

chroma run --path "./chroma_data"

2. 启动成功，可通过8000端口，连接到服务器

from chromadb import HttpClient
chroma_client = HttpClient(host='localhost',port=8000)

3. models.py

from dotenv import load_dotenv
load_dotenv()
from langchain_community.embeddings.dashscope import DashScopeEmbeddings
from langchain_community.chat_models import ChatTongyi

def get_embed():
    """
        连接模型
    """
    return DashScopeEmbeddings(model="text-embedding-v3")

def get_chat():
    """
        连接模型
    """
    return ChatTongyi(model="qwen-turbo", temperature=0.1, top_p=0.7)

4. 语义检索

from models import get_embed
embed = get_embed()
# 语义检索
text = "外面天气怎么样？"
embedding = embed.embed_query(text=text)
collection.query(query_embeddings=embedding, n_results=1)

LangChain 和 Chroma 结合使用

from models import get_embed
from langchain_chroma import Chroma
from chromadb import HttpClient

embed = get_embed()

# 配置连接服务器的信息
client = HttpClient(host="localhost", port=8000)

db = Chroma(client=client, embedding_function=embed)
db.search(query="今天心情好吗？", search_type="similarity_score_threshold")



from models import get_chat
model = get_chat()
model.invoke(input="你好")

retriever = db.as_retriever(search_type="similarity_score_threshold",
                           search_kwargs={"score_threshold": 0.5, "k": 2})
retriever.invoke(input="外面天气怎么样？")

db.similarity_search_with_relevance_scores(query="你好")

---

数据入库

• load
  • 读取原始数据（只要文本，不要其他数据）
• split
  • 把文本切分成一个一个语义独立的段落
• embed
  • 向量化，入库

file_name = "knowledge/产品介绍.txt"
with open(file=file_name, mode="r", encoding="utf8") as f:
    data = f.read()
    print(data)

# 方式一：按照自己的语义逻辑来切分
documents = [chunk.strip() for chunk in data.split("###") if chunk]

pip install langchain_text_splitters -U

from langchain_text_splitters import RecursiveCharacterTextSplitter
# 定义一个分割器
# 设置的256为切分指导数，实际要小，因为会结合语义切分
splitter = RecursiveCharacterTextSplitter(chunk_size=256)

# splitter.split_text(text=data)

for chunk in splitter.split_text(text=data):
    print(len(chunk))
    print(chunk)
    print('--------------------------')

chunk_size 无论怎么设置都不具备普世性，那么长度到底设置为多少合理呢？

最好的办法是手动区分，即文档手动的去划分语义。

所以第一期项目，设置差不多大小切完即可；到第二期项目时，可以手动去调整一些文档段落的内容，编辑调整一些格式。