向量数据库-chroma核心概念：Collection（集合）、Document（文档）、距离函数

3. 核心概念

理解这三个概念，Chroma 就掌握了一半。

3.1 Collection（集合）

Collection 是 Chroma 中最核心的概念，类似 MySQL 中的"表"。
每个 Collection 存储一组相关的向量数据。

Chroma 实例
  ├── Collection: "产品文档"
  │     ├── 文档1的向量 + 原文 + 元数据
  │     ├── 文档2的向量 + 原文 + 元数据
  │     └── ...
  ├── Collection: "用户反馈"
  │     └── ...
  └── Collection: "代码库"
        └── ...

3.2 Document（文档）

Chroma 里的 "Document" 指的是一段文本块，而不是一个 PDF 或 Word 文件。在实际应用中，你通常会把一个长文档或一本书，切分成许多有意义的短文本块，每个文本块作为一个独立的 Document 存入 Chroma

每条存入 Chroma 的数据包含三个部分：

{
  // 1. ID：唯一标识，字符串，必须唯一
  id: "doc_001",

  // 2. 文本内容：原始文字，Chroma 会自动向量化（如果配置了 embedding 函数）
  // 真正想存储和搜索的原始文本内容
  document: "量子纠缠是两个粒子之间的神秘关联...",

  // 3. 元数据：任意键值对，用于过滤，不参与向量检索
  metadata: {
    source: "physics_textbook.pdf",
    page: 42,
    author: "张三",
    date: "2024-01-01",
  },

  // 4. 向量（可选）：如果自己传向量就不需要 Chroma 帮你计算
  embedding: [0.12, -0.87, 0.43, ...]  // 通常由 Embedding 模型生成
}

最小可用示例 (只填必须的)：

如果你想用最简单的方式添加数据（只提供 id 和 documents，利用 Chroma 自动生成向量），代码如下：

await collection.add({
    ids: ["doc1", "doc2"],           // 必须，手动设置
    documents: ["文本A", "文本B"]     // 必须提供，否则没有内容可搜索(其实不提供也能插入)
    // embeddings 自动生成
    // metadata 可省略
});

理解元数据 (Metadata) ：
metadata 是让 Chroma 从“向量搜索引擎”升级为“智能数据库”的关键。它让你能像用 SQL 一样，对搜索结果进行精确筛选。

• 丰富的类型：metadata 的值可以是字符串、数字、布尔值，甚至是这些类型的数组。
• 强大的过滤：你可以在查询时通过 where 参数，基于 metadata 进行过滤。

// 查询时，只返回 category 为 "core_concept" 的文档
const results = await collection.query({
    queryTexts: ["什么是向量数据库？"],
    nResults: 3,
    where: {
        "category": "core_concept" 
    }
});

3.3 距离函数

向量之间的"相似度"通过距离函数计算，Chroma 支持三种：

文本 RAG 场景一律用 cosine，这是默认值。