ChromaDB Collections (集合管理)

Collection 设计这件事，很多人一开始不重视，后面最容易返工。因为一旦文档量上来，集合边界、id 规则和 metadata 结构都会直接影响检索质量和维护成本。

你可以把 Collection 理解成关系型数据库里的表，但在 RAG 项目里，它更像“检索边界”。边界划得清不清楚，决定了你后面要不要一直靠过滤条件补漏洞。

#1. 集合的基本操作

#创建与获取

python复制
# 创建新集合，如果已存在则报错
collection = client.create_collection(name="test_name")

# 如果不存在则创建，如果已存在则获取
collection = client.get_or_create_collection(name="test_name")

# 仅获取已存在的集合
collection = client.get_collection(name="test_name")

# 删除集合
client.delete_collection(name="test_name")

#2. 数据结构详解

当你向集合 add 数据时，可以包含以下四个部分：

1. ids (必填): 每个项的唯一字符串标识符。
2. embeddings (可选): 如果你自己计算了向量，传到这里。
3. documents (可选): 原始文本。如果没传 embeddings，Chroma 会根据这些文本自动生成。
4. metadatas (可选): 键值对字典，用于后续的精细化过滤。

#读者导向建议

• 个人项目：先定一套稳定的 metadata 字段（如 source、topic、lang）
• 团队项目：约定 id 生成规则，避免多人写入冲突
• 生产项目：把删除策略和归档策略提前设计，不要等库变大后再补

这几条看着像管理问题，实际上都是检索问题。因为只要集合和 metadata 没定住，你的召回噪音就会越来越高。

#3. 更新与删除数据

python复制
# 更新已存在的项
collection.update(
    ids=["id1"],
    metadatas=[{"status": "archived"}],
)

# Upsert (存在则更新，不存在则添加)
collection.upsert(
    ids=["id1", "id3"],
    documents=["新的内容", "新添加的内容"]
)

# 根据 ID 删除
collection.delete(ids=["id1"])

# 根据元数据过滤删除
collection.delete(where={"status": "archived"})

#4. 强大的过滤查询 (Where)

Chroma 支持基于元数据和文档内容的复杂过滤。

#元数据过滤 (where)

python复制
results = collection.query(
    query_texts=["查询文本"],
    where={"source": "notion"}, # 仅搜索来源是 notion 的数据
    n_results=5
)

一句轻松提醒：
没有 metadata 的向量库，就像没有标签的衣柜。
衣服都在，但早上赶时间时你只会怀疑人生。

我一般至少会先留 source、lang、doc_type、updated_at 这类字段。先别管以后会不会全用上，留接口总比后面重建库轻松。

#文档内容过滤 (where_document)

python复制
results = collection.query(
    query_texts=["查询文本"],
    where_document={"$contains": "重要"} # 仅搜索包含“重要”字样的文档
)

#5. 计算距离 (Distance Metrics)

你可以选择不同的数学方法来计算“相似度”：

• l2: 平方 L2 范数（默认）。
• ip: 内积。
• cosine: 余弦相似度。

在创建集合时指定：

python复制
collection = client.create_collection(
    name="my_collection",
    metadata={"hnsw:space": "cosine"}
)

别一开始就在距离度量上折腾太久。真实项目里，更常见的收益还是来自文档切块和 metadata 设计，而不是把 l2 和 cosine 来回换。

---

下一步：了解 Chroma 的核心——Embedding 模型自定义。