大家好我是小锋老师最近更新《2027版 1天学会 嵌入模型与Chroma向量数据库 AI大模型应用开发 必备知识 视频教程》专辑感谢大家支持。本课程主要介绍和讲解嵌入模型与向量数据库简介Qwen3嵌入模型使用Chroma向量数据库使用Chroma安装Client-Server模式集合添加修改删除查询操作以及自定义Embedding Functions。视频教程课件源码打包下载链接https://pan.baidu.com/s/1Oo7dtFf_Zt7hJyl6aYX6TA?pwd1234提取码1234嵌入模型与Chroma向量数据库 - Chroma 集合查询操作 - AI大模型应用开发必备知识查询Query API支持在稠密嵌入上进行最近邻相似性搜索。当您想要检索记录而不进行相似性排名时请使用获取Get API。Query您可以使用 .query 查询集合以运行相似性搜索collection.query( query_texts[thus spake zarathustra, the oracle speaks] )Chroma将使用该集合的嵌入功能来嵌入您的文本查询并使用输出结果对您的集合进行向量相似性搜索。 你可以直接提供query_embeddings而不是query_texts。如果你的集合没有附加嵌入函数则必须这样做。你的查询嵌入的维度必须与集合中嵌入的维度相匹配。 Python还支持将query_images和query_uris作为查询输入。collection.query( query_embeddings[[11.1, 12.1, 13.1], [1.1, 2.3, 3.2]] )默认情况下Chroma每次输入查询会返回10个结果。您可以使用n_results参数来修改这个数字collection.query( query_embeddings[[11.1, 12.1, 13.1], [1.1, 2.3, 3.2]], n_results100 )ids参数允许您将搜索范围限制在仅包含所提供列表中ID的记录collection.query( query_embeddings[[11.1, 12.1, 13.1], [1.1, 2.3, 3.2]], n_results100, ids[id1, id2] )查询和获取支持其中where用于元数据过滤where_document用于全文搜索regex用于正则表达式collection.query( query_embeddings[[11.1, 12.1, 13.1], [1.1, 2.3, 3.2]], n_results100, where{page: 10}, # query records with metadata field page equal to 10 where_document{$contains: search string} # query records with the search string in the records document )Get使用.get方法通过ID和/或过滤器检索记录无需进行相似度排序collection.get(ids[id1, id2]) # by IDs collection.get(limit100, offset0) # with paginationquery和get实例import chromadb chroma_client chromadb.Client() # 创建Chroma客户端 collection chroma_client.create_collection(namemy_collection) # 添加 collection.add( ids[id1, id2, id3], documents[lorem ipsum..., doc2, doc3], metadatas[{chapter: 3, verse: 16}, {chapter: 3, verse: 5}, {chapter: 29, verse: 11}], ) # query查询 results collection.query( query_texts[doc], where{chapter: 3} ) print(results) # get查询 results collection.get(ids[id1, id3]) print(results)运行输出查询返回结果格式定制Chroma以列优先的形式返回.query和.get结果每个字段一个数组。.query结果按输入查询进行分组.get结果为记录的扁平列表。class QueryResult(TypedDict): ids: List[IDs] embeddings: Optional[List[Embeddings]] documents: Optional[List[List[Document]]] uris: Optional[List[List[URI]]] metadatas: Optional[List[List[Metadata]]] distances: Optional[List[List[float]]] included: Include class GetResult(TypedDict): ids: List[ID] embeddings: Optional[Embeddings] documents: Optional[List[Document]] uris: Optional[URIs] metadatas: Optional[List[Metadata]] included: Include在 Get 操作的结果中每个数组中的对应元素都属于同一个文档。# 设置GET返回结果格式 print(设置GET返回结果格式) result collection.get(include[documents, metadatas]) for id, document, metadata in zip(result[ids], result[documents], result[metadatas]): print(id, document, metadata)运行输出Query是一个批处理API返回按输入分组的结果。一种常见模式是遍历每个查询的“批处理”结果然后在该批处理结果内进行迭代。# 设置QUERY返回结果格式 print(设置QUERY返回结果格式) result collection.query(query_texts[doc]) for ids, documents, metadatas in zip(result[ids], result[documents], result[metadatas]): for id, document, metadata in zip(ids, documents, metadatas): print(id, document, metadata)运行输出设置返回数据默认情况下Query返回文档、元数据和距离而Get返回文档和元数据。使用include来控制返回的内容。id始终会被返回。collection.query( query_texts[my query], include[documents, metadatas, embeddings], ) collection.get(include[documents])完整实例import chromadb chroma_client chromadb.Client() # 创建Chroma客户端 collection chroma_client.create_collection(namemy_collection) # 添加 collection.add( ids[id1, id2, id3], documents[doc1, doc2, doc3], metadatas[{chapter: 3, verse: 16}, {chapter: 3, verse: 5}, {chapter: 29, verse: 11}], ) # query查询 results collection.query( query_texts[doc] ) print(results) results collection.query( query_texts[doc], include[documents, metadatas, embeddings], ) print(results) results collection.get(include[documents]) print(results)运行输出{ids: [[id1, id2, id3]], embeddings: None, documents: [[doc1, doc2, doc3]], uris: None, included: [metadatas, documents, distances], data: None, metadatas: [[{chapter: 3, verse: 16}, {chapter: 3, verse: 5}, {chapter: 29, verse: 11}]], distances: [[0.43373435735702515, 0.45694848895072937, 0.46765562891960144]]} {ids: [[id1, id2, id3]], embeddings: [array([[-0.08946741, 0.02690166, 0.0714293 , ..., 0.02614263, 0.07775341, 0.04677901], [-0.05917228, 0.03088627, 0.05787703, ..., 0.07566307, 0.06910366, 0.04536708], [-0.071605 , 0.01184757, 0.01126055, ..., 0.04132259, 0.06954481, 0.04966979]], shape(3, 384))], documents: [[doc1, doc2, doc3]], uris: None, included: [documents, metadatas, embeddings], data: None, metadatas: [[{chapter: 3, verse: 16}, {verse: 5, chapter: 3}, {verse: 11, chapter: 29}]], distances: None} {ids: [id1, id2, id3], embeddings: None, documents: [doc1, doc2, doc3], uris: None, included: [documents], data: None, metadatas: None}