02 Chroma_集合(Collection)与文档(Document)初体验

02 Chroma_集合(Collection)与文档(Document)初体验

💡 一句话核心概念

Collection 是向量数据库的"表"，Document 是你要存的"记忆片段"——一个管结构，一个管内容。搞懂这俩，Chroma 的大门就算踹开了。

---

🧩 关键实操

1. 理解 Collection：不只是"表"

# 02_collection_basics.py
from chromadb import Client
​
client = Client()
​
# ===== Collection 三大核心参数 =====
# name: 集合名（必填，相当于表名）
# metadata: 集合级别的元数据（比如 hnsw 索引参数）
# embedding_function: 指定嵌入模型（下一章细讲，先不管）
​
# 创建一个"知识库"风格的集合
kb = client.create_collection(
    name="tech_kb",  # 技术知识库
    metadata={
        "description": "存放技术文档的向量知识库",
        "hnsw:space": "cosine",  # 指定距离算法，默认是 l2（欧几里得）
        "created_by": "chroma-tutorial",
    },
)
​
# 看看已经有哪些集合（刚创建的都会列出来）
print("📋 现有集合：", client.list_collections())

uv run python 02_collection_basics.py

2. 添加文档：向量的前世今生

# 02_add_docs.py
from chromadb import Client
​
client = Client()
kb = client.get_or_create_collection(name="tech_kb")
# ↑ get_or_create 是懒人福音：有就复用，没有就创建，不会像 create 那样重复创建报错
​
# 添加文档的四种姿势
kb.add(
    documents=[
        "Python 的 GIL 是全局解释器锁，它让多线程变成伪并行。",
        "uv 是一个用 Rust 写的 Python 包管理器，比 pip 快 100 倍。",
        "向量数据库通过 Embedding 模型把文本变成高维向量，实现语义搜索。",
    ],
    metadatas=[
        {"topic": "Python", "difficulty": "进阶", "source": "官方文档"},
        {"topic": "工具链", "difficulty": "入门", "source": "astral.sh"},
        {"topic": "向量数据库", "difficulty": "中级", "source": "chroma docs"},
    ],
    ids=["py_gil", "uv_intro", "vectordb_intro"],
)
​
print(f"✅ 添加了 {kb.count()} 条文档到集合")

ids 不传会怎样？ 直接抛异常。Chroma 在这一点上很固执——每条文档必须有唯一 ID，方便后续更新/删除。这跟 MongoDB 的 _id 是一个道理。

3. 查询：语义搜索的"啊哈时刻"

# 02_query_docs.py
from chromadb import Client
​
client = Client()
kb = client.get_or_create_collection(name="tech_kb")
​
# 用中文搜
results = kb.query(
    query_texts=["怎么管理 Python 依赖包比较好？"],
    n_results=2,
    # include 控制返回字段，不指定默认返回所有
    # include=["documents", "metadatas", "distances"],
)
​
print("🔍 查询结果：")
for i, (doc_id, doc, meta, dist) in enumerate(zip(
    results["ids"][0],
    results["documents"][0],
    results["metadatas"][0],
    results["distances"][0],
)):
    print(f"  #{i+1} | ID: {doc_id} | 距离: {dist:.4f}")
    print(f"      文档: {doc}")
    print(f"      元数据: {meta}")
    print()

运行后你会发现——即使查询词和原文没一个完全匹配的词，Chroma 也能把"uv 是包管理器"这条排到第一位。这就是向量搜索的魔法：搜的是"意思"，不是"字面"。

---

🚧 避坑指南

坑	现象	解法
重复 create_collection	ValueError: Collection already exists	用 get_or_create_collection() 代替，或者 create_collection(name, get_or_create=True)
embedding 维度不一致	添加文档时报 dimension mismatch	同一集合必须用同一个 embedding 函数。要么全部用默认（all-MiniLM-L6-v2，384维），要么自定义但保持维度一致。第 3 章会深入讲
每次重启 Client() 数据没了	list_collections() 返回空	Client() 是内存模式，用 PersistentClient("./chroma_data") 代替（第 6 章详讲）

---

🎤 Chroma 面试题与通关答案

Q1：Chroma 的 Collection 和传统数据库的 Table 有什么区别？

考点拆解： 向量数据库与关系型数据库的核心设计差异。

通关答案：

维度	传统数据库 Table	Chroma Collection
主查询方式	精确匹配（WHERE name = 'xxx'）	语义相似度（ANN 近似最近邻）
索引核心	B-Tree / Hash	HNSW 图索引
"列"的概念	固定 Schema，强类型	弱 Schema：documents + metadatas（JSON），向量自动生成
写入成本	O(log n)	O(log n) + Embedding 计算（这是大头！）

底层原理： Collection 内部维护了三套存储：

0. 向量索引（HNSW 图）：负责 ANN 搜索，是 Chroma 的核心竞争力
1. 元数据存储（sqlite3）：负责 WHERE 过滤和精确查询
2. 文档存储（sqlite3）：原始文本，查询结束后回表拼接

最佳实践： Collection 不适合存高频更新的数据（每次更新要重建向量+更新索引），更适合"写多读多但更新少"的知识库场景。

一句话总结： Table 是 Excel 表格，Collection 是"语义搜索引擎的索引库"——前者精确定位，后者理解含义。

---

Q2：query() 返回的 distances 字段代表什么？为什么越小越好？

考点拆解： 向量相似度度量，面试官最爱的算法基础题。

通关答案：

distances 是查询向量与结果向量之间的距离值，距离越小 = 语义越接近。但具体含义取决于集合的 hnsw:space 设置：

距离算法	范围	最优值	通俗解释
l2（欧几里得，默认）	[0, ∞)	0	空间中两点的直线距离
cosine（余弦）	[0, 2]	0	只关心方向，不关心长度（归一化后等同于 l2）
ip（内积/点积）	(-∞, ∞)	越大越好	向量投影，-ip 转成距离用

避坑点： Chroma 默认是 l2，但 NLP 领域大家习惯用 cosine。如果你没在 metadata={"hnsw:space": "cosine"} 指定，出来的 distances 可能大到离谱（比如 50+），因为 l2 没做归一化。建议一律显式指定 cosine，跟行业对齐。

一句话总结： 距离是你和正确答案之间的"语义差距"——l2 像直线距离，cosine 像夹角，默认用 cosine 就对了。

---

Q3：get_or_create_collection() 和 create_collection() 有什么区别？什么时候用哪个？

考点拆解： API 设计哲学，幂等性（Idempotency）在数据库操作中的重要性。

通关答案：

• create_collection(name) ：严格创建，集合已存在直接抛 ValueError。适合初始化脚本，语义是"我确定这个集合不该已存在"。
• get_or_create_collection(name) ：幂等操作，集合存在就返回引用，不存在就创建。适合业务代码，语义是"给我一个能用的集合"。

源码视角： get_or_create 内部先调 get_collection，捕获 ValueError 后 fallback 到 create_collection。这个 try-except 设计就是懒加载模式的数据库版。

实战最佳实践：

# ❌ 不好的写法：脚本跑两次就炸
collection = client.create_collection("my_collection")
​
# ✅ 生产代码的标准写法
collection = client.get_or_create_collection(
    name="my_collection",
    metadata={"hnsw:space": "cosine"},  # ⚠️ 注意：metadata 只在创建时生效！
)

⚠️ 大坑警告： get_or_create 传入的 metadata 只在"create 分支"生效！如果集合已存在，传的 metadata 会被静默忽略，不会更新已有集合的配置。要改 metadata 只能用 collection.modify()。

一句话总结： create 是"破门而入"（已有人在就炸），get_or_create 是"敲门进"（有人就进，没人就开灯），业务代码永远用后者。