ChromaDB 向量库优化技巧实战

chroma 一步步使用

安装

bash 复制代码

# 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：

python 复制代码

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。

python 复制代码

# 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：

python 复制代码

# 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：

python 复制代码

# 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：

python 复制代码

# 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：

python 复制代码

# 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：

python 复制代码

# 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