向量数据库-Chroma

Chroma 是一个开源的向量数据库，支持高效存储和检索高维向量数据。 在 Feat 项目中，Chroma 被集成到 VectorStore 组件中，提供了与 Chroma 服务交互的能力。 本教程将详细介绍如何在 Feat 中使用 Chroma 进行向量数据的管理。

---

安装和配置

安装 Chroma 服务

首先，需要安装并运行 Chroma 服务。你可以通过以下命令启动 Chroma：

docker run -p 8000:8000 -p 8001:8001 chromaai/chroma:latest

启动后，Chroma 服务将运行在 http://localhost:8000。

配置 Feat 连接 Chroma

在 Feat 中，通过 ChromaVectorStore 类连接到 Chroma 服务。以下是一个基本配置示例：

import tech.smartboot.feat.ai.vector.ChromaVectorStore;
import tech.smartboot.feat.ai.vector.Document;
import tech.smartboot.feat.ai.vector.SearchRequest;
import tech.smartboot.feat.ai.vector.VectorStore;
import tech.smartboot.feat.ai.vector.chroma.ChromaVectorOptions;

public class ChromaConfig {
    public static void main(String[] args) {
        // 创建 ChromaVectorStore 实例
        VectorStore vectorStore = ChromaVectorStore.chroma(opt -> {
            opt.setUrl("http://localhost:8000")  // Chroma 服务地址
               .collectionName("my_collection")  // 向量集合名称
               .debug(true);                     // 开启调试模式
        });

        // 创建文档对象
        Document document = new Document();
        document.setId("1");
        document.setDocument("hello world");  // 文本内容
        document.setMetadata(Collections.singletonMap("name", "sndao"));  // 元数据

        // 添加文档到集合
        vectorStore.add(Collections.singletonList(document));
    }
}

---

创建和管理数据库

创建数据库

在 Chroma 中，数据库是数据存储的顶层单位。以下是如何通过 Feat 创建数据库的示例：

import tech.smartboot.feat.ai.vector.chroma.Chroma;

public class CreateDatabase {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        chroma.createDatabase("my_database");
        System.out.println("Database created successfully");
    }
}

获取数据库信息

import tech.smartboot.feat.ai.vector.chroma.Chroma;

public class GetDatabase {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        String databaseInfo = chroma.getDatabase("my_database");
        System.out.println("Database info: " + databaseInfo);
    }
}

删除数据库

import tech.smartboot.feat.ai.vector.chroma.Chroma;

public class DeleteDatabase {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        chroma.deleteDatabase("my_database");
        System.out.println("Database deleted successfully");
    }
}

---

创建和管理集合

创建集合

在 Chroma 中，集合是存储向量数据的基本单位。以下是如何创建集合的示例：

import tech.smartboot.feat.ai.vector.chroma.Chroma;
import java.util.HashMap;
import java.util.Map;

public class CreateCollection {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        Map<String, String> metadata = new HashMap<>();
        metadata.put("description", "My test collection");

        Collection collection = chroma.createCollection("my_collection", metadata);
        System.out.println("Collection created: " + collection.getName());
    }
}

获取集合信息

import tech.smartboot.feat.ai.vector.chroma.Chroma;

public class GetCollection {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        Collection collection = chroma.getCollection("my_collection");
        System.out.println("Collection name: " + collection.getName());
    }
}

删除集合

import tech.smartboot.feat.ai.vector.chroma.Chroma;

public class DeleteCollection {
    public static void main(String[] args) {
        Chroma chroma = new Chroma("http://localhost:8000", opt -> opt.debug(true));
        Collection collection = chroma.getCollection("my_collection");
        collection.delete();
        System.out.println("Collection deleted successfully");
    }
}

---

添加和删除文档

添加文档

import tech.smartboot.feat.ai.vector.Document;
import tech.smartboot.feat.ai.vector.VectorStore;
import tech.smartboot.feat.ai.vector.chroma.ChromaVectorStore;
import java.util.Collections;

public class AddDocument {
    public static void main(String[] args) {
        // 创建 ChromaVectorStore 实例
        VectorStore vectorStore = ChromaVectorStore.chroma(opt -> {
            opt.setUrl("http://localhost:8000")
               .collectionName("my_collection")
               .debug(true);
        });

        // 创建文档对象
        Document document = new Document();
        document.setId("1");
        document.setDocument("hello world");  // 文本内容
        document.setMetadata(Collections.singletonMap("name", "sndao"));  // 元数据

        // 添加文档到集合
        vectorStore.add(Collections.singletonList(document));
        System.out.println("Document added successfully");
    }
}

删除文档

import tech.smartboot.feat.ai.vector.Document;
import tech.smartboot.feat.ai.vector.VectorStore;
import tech.smartboot.feat.ai.vector.chroma.ChromaVectorStore;
import java.util.Collections;

public class DeleteDocument {
    public static void main(String[] args) {
        // 创建 ChromaVectorStore 实例
        VectorStore vectorStore = ChromaVectorStore.chroma(opt -> {
            opt.setUrl("http://localhost:8000")
               .collectionName("my_collection")
               .debug(true);
        });

        // 删除文档
        vectorStore.delete("1");  // 删除 ID 为 "1" 的文档
        System.out.println("Document deleted successfully");
    }
}

---

查询和搜索

基于内容的相似性搜索

import tech.smartboot.feat.ai.vector.SearchRequest;
import tech.smartboot.feat.ai.vector.VectorStore;
import tech.smartboot.feat.ai.vector.chroma.ChromaVectorStore;
import java.util.Collections;

public class SimilaritySearch {
    public static void main(String[] args) {
        // 创建 ChromaVectorStore 实例
        VectorStore vectorStore = ChromaVectorStore.chroma(opt -> {
            opt.setUrl("http://localhost:8000")
               .collectionName("my_collection")
               .debug(true);
        });

        // 创建搜索请求
        SearchRequest request = new SearchRequest();
        request.setQuery("hello");  // 搜索文本
        request.setTopK(3);         // 返回前 3 个结果

        // 执行相似性搜索
        List<Document> results = vectorStore.similaritySearch(request);
        System.out.println("Search results: " + results.size());
    }
}

基于元数据的过滤搜索

import tech.smartboot.feat.ai.vector.SearchRequest;
import tech.smartboot.feat.ai.vector.VectorStore;
import tech.smartboot.feat.ai.vector.chroma.ChromaVectorStore;
import tech.smartboot.feat.ai.vector.expression.Expression;

public class MetadataSearch {
    public static void main(String[] args) {
        // 创建 ChromaVectorStore 实例
        VectorStore vectorStore = ChromaVectorStore.chroma(opt -> {
            opt.setUrl("http://localhost:8000")
               .collectionName("my_collection")
               .debug(true);
        });

        // 创建过滤表达式
        Expression filter = Expression.of("name").eq("sndao");

        // 创建搜索请求
        SearchRequest request = new SearchRequest();
        request.setQuery("hello");
        request.setExpression(filter);

        // 执行搜索
        List<Document> results = vectorStore.similaritySearch(request);
        System.out.println("Filtered search results: " + results.size());
    }
}

---

总结

通过本教程，你已经掌握了在 Feat 中使用 Chroma 进行向量数据管理的基本方法，包括：

• Chroma 服务的安装与配置
• 数据库和集合的创建与管理
• 文档的添加与删除
• 基于内容和元数据的搜索

Chroma 的强大功能使其成为处理高维向量数据的理想选择。希望本教程能帮助你快速上手，并在实际项目中发挥其优势。