chromadb向量数据库使用 （1）

完整代码

import chromadb
chroma_client = chromadb.Client()

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

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

results = collection.query(
    query_texts=["This is a query document about hawaii"], 
    n_results=2 
)
print(results)

{'ids': [['id1', 'id2']], 'embeddings': None, 'documents': [['This is a document about pineapple', 'This is a document about oranges']], 'uris': None, 'data': None, 'metadatas': [[None, None]], 'distances': [[1.0404009819030762, 1.2430799007415771]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

import chromadb
chroma_client = chromadb.Client()


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


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

results = collection.query(
    query_texts=["..."], 
    n_results=2 
)

print(results)

{'ids': [['id2', 'id1']], 'embeddings': None, 'documents': [['This is a document about oranges', 'This is a document about pineapple']], 'uris': None, 'data': None, 'metadatas': [[None, None]], 'distances': [[1.8110723495483398, 1.846815824508667]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

代码解释

以下是逐行代码的中文解释：

# 导入ChromaDB客户端库
import chromadb

# 创建ChromaDB客户端实例（默认使用内存存储）
chroma_client = chromadb.Client()

# 创建名为"my_collection"的集合（类似数据库表）
collection = chroma_client.create_collection(name="my_collection")

# 向集合添加文档数据
collection.add(
    documents=[
        "This is a document about pineapple",  # 文档1：关于菠萝
        "This is a document about oranges"     # 文档2：关于橙子
    ],
    ids=["id1", "id2"]  # 为每个文档指定唯一ID
)

# 执行相似性查询
results = collection.query(
    query_texts=["This is a query document about hawaii"],  # 查询文本（夏威夷相关）
    n_results=2  # 返回最相似的2个结果
)

# 打印查询结果（包含相似文档及其距离分数）
print(results)

# 获取或创建集合（如果已存在则直接获取）
collection = chroma_client.get_or_create_collection(name="my_collection")

# 使用upsert方法添加/更新文档（存在则更新，不存在则插入）
collection.upsert(
    documents=[
        "This is a document about pineapple",  # 文档内容与之前相同
        "This is a document about oranges"
    ],
    ids=["id1", "id2"]  # 使用相同ID
)

# 执行空查询（使用"..."作为占位符）
results = collection.query(
    query_texts=["..."],  # 无效查询文本示例
    n_results=2
)

# 打印不同查询条件的结果对比
print(results)

关键点解析：

1. 存储方式：默认使用内存存储，重启后数据会丢失
2. 集合操作：
   • create_collection() 严格创建新集合
   • get_or_create_collection() 更安全的获取方式
3. 文档操作：
   • add() 单纯添加新文档
   • upsert() 支持更新已有文档（基于ID）
4. 查询结果：
   • distances越小表示相似度越高
   • 无效查询可能返回随机/全部结果
   • 结果排序基于相似度得分

典型使用场景：构建简单的文本相似性搜索系统，适用于知识库检索、FAQ问答等场景。建议后续添加文本向量化模型（如Sentence-BERT）来提升搜索质量。

参考链接：https://docs.trychroma.com/docs/overview/getting-started