向量数据库-Chroma

This content is not available in your language yet.

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。