![]()
RAG调试笔记：如何查看 Chroma 向量库 & 避坑
🔍 一、如何查看向量数据库内容（核心代码）
1
2
3
4
5
6
7
8
| data = vector_store._collection.get(
include=["documents", "metadatas", "embeddings"]
)
print("ids:", data["ids"])
print("documents:", data["documents"])
print("metadatas:", data["metadatas"])
print("数量:", len(data["documents"]))
|
🧠 说明
ids 👉 每条数据的唯一标识（默认自动生成）documents 👉 原始文本metadatas 👉 你自己传的附加信息embeddings 👉 向量（默认不会返回，需要 include）
🔎 查看 embedding（调试神器）
1
2
| for i, emb in enumerate(data["embeddings"]):
print(f"doc{i} 前5维:", emb[:5])
|
👉 用来判断：
🚨 二、常见 Bug：检索结果重复（你刚踩的这个）
❗现象
💥 根本原因
1
2
| 不是检索器问题 ❌
而是数据库里有大量重复数据 ✅
|
🧪 如何判断？
1
2
| print("数量:", len(data["documents"]))
print("唯一文本数:", len(set(data["documents"])))
|
👀 如果看到：
👉 💥 说明你重复写入了很多次！
🧠 三、为什么会重复？
因为：
👉 默认使用同一个 collection（通常叫 "langchain"）
所以：
1
2
3
4
| 每运行一次代码
→ 就往同一个数据库追加数据
→ 数据越来越多
→ 检索命中多个“重复副本”
|
🚑 四、解决方案（必须记住！！！）
✅ 方案1：每次运行前清空数据库（推荐）
1
| vector_store._client.delete_collection("langchain")
|
✅ 方案2：指定新的 collection_name
1
2
3
4
5
| vector_store = Chroma.from_texts(
texts=[doc['text'] for doc in documents],
embedding=embeddings,
collection_name="my_test_db"
)
|
👉 避免污染旧数据
✅ 方案3：开发时使用“真内存模式”（最干净）
1
2
3
4
5
6
7
| from chromadb.config import Settings
vector_store = Chroma.from_texts(
texts=[doc['text'] for doc in documents],
embedding=embeddings,
client_settings=Settings(persist_directory=None)
)
|
👉 进程结束自动清空
✅ 方案4：手动清空数据（不删表）
1
| vector_store._collection.delete(where={})
|
💡 五、RAG 调试四步法（强烈建议收藏）
1
2
3
4
| 1️⃣ embedding 正常吗？
2️⃣ 数据库里有多少条？
3️⃣ 有没有重复数据？
4️⃣ 检索结果是否合理？
|
🎯 六、一句话总结（记住这个就够了）
👉 “检索重复 ≠ 检索错，往往是数据库里有重复数据”
🫶 小贴士（给未来的你）
以后每次写完向量库，先跑一句：
1
| print("当前数据量:", vector_store._collection.count())
|
👉 一秒避免这类坑
