Chroma 的边际相关性检索 - Maximal Marginal Relevance，检索的多样性

~kiss~2026-10-08 11:37

"边际相关性检索" 是 Chroma 里的高级查询模式，MMR（Maximal Marginal Relevance，最大边际相关）

它解决什么问题

普通相似度检索只按 "和查询最像" 返回，结果往往扎堆重复

比如查 "如何健身"，可能返回的 10 条全是讲举铁的

MMR 的目标是：既相关，又不重复，让你拿到一个 "相关且多样" 的结果集

核心公式

对每一条候选结果算一个分数：

复制代码

最终分 = λ × 与查询的相似度 − (1−λ) × 与已选结果的相似度

第一项：越相关分越高（跟查询像）
第二项：跟已选的越重复，扣分越多（多样性惩罚）

选结果时贪婪地一条条挑：每轮选当前 "相关度高 + 与已选最不重复" 的那条，直到选满

λ 参数的作用

在 Chroma 里怎么用

复制代码

results = collection.query(
    query_texts=["健身"],
    n_results=10,
    # MMR 相关参数
    lambda_param=0.5,        # 多样性 vs 相关性的权衡
    fetch_k=50,                     # 先取50个候选，再从中做MMR挑10个
    mmr_threshold=0.8         # 相似度低于此阈值的不选（可选）
)

关键点：fetch_k 要大于 n_results，否则没有多余候选可做去重；系统先粗取 fetch_k 个，再用 MMR 精挑出 n_results 个

什么时候该用

RAG 检索增强生成：给大模型喂上下文时，避免喂一堆同质化片段，让回答覆盖面更广
推荐系统：推荐结果不想全是同一个类型的商品 / 文章
知识库问答：同一问题想看多个角度的答案

什么时候不要用

就是要最相关的 N 条 （比如精确找最相似的向量做匹配），用普通 similarity 就行，MMR 反而可能丢掉最相关的 1 条
数据量很小或本身就多样，MMR 收益不大

总结

MMR = 在 "跟查询相关" 和 "结果彼此不重复" 之间做平衡，用 λ 控制天平

在 Chroma 里就是 query 时传上 lambda_param、fetch_k 等参数即可