关键提醒1 * 持久化模式必须调用 db.persist才Neng将数据写入本地； * 重新加载时collection_name必须一致。

仅靠语义相似性往往不够——比如你想检索“2024年的LangChain教程”，但向量数据库中既有2023年的，也有2024年的，此时就需要通过元数据过滤，精准筛选出符合条件的文档。

python from langchain.embeddings import HuggingFaceEmbeddingsfrom langchain.vectorstores import Chromaembeddings = HuggingFaceEmbeddingsdb = Chroma# 添加带元数据的文档texts = metadatas = db.add_textsdb.persist# 过滤条件：year == filter_condition = {"year": }query = "LangChain教程"similar_docs = db.similarity_searchprintfor doc in similar_docs:print

$eq ：等于；

$ne ：不等于；

$lt ：小于；

$lte ：小于等于；

$gt ：大于；

$gte ：大于等于；

$in ：在指定列表中。

MMR的核心逻辑是：在保证结果与查询“相似”的同时Zui大化结果之间的“差异性”，避免返回重复、同质化的内容。

python mmr_docs = db.max_marginal_relevance_search( query="LangChain教程", k=3, lambda_mult=0.5 ) print for doc in mmr_docs: print

本节通过一个完整的实战案例，展示如何使用LangChain + Chroma构建可搜索的个人知识库。核心流程包括： 1. 文档加载与预处理； 2. 文本分割； 3. 初始化Chroma并添加文档； 4. 实现三种检索方式； 5. 支持增量geng新和删除文档。

pythonfrom langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import Chroma from langchain.text_splitter import RecursiveCharacterTextSplitter import os

DOCSDIR ="./docs"# 存储路径 VECTORDBDIR ="./personalknowledge_db"# BGE轻量嵌入模型 embeddings = HuggingFaceEmbeddings

def loaddocuments: """加载PDF/TXT/MD文档，并预处理""" documents \= for filename in os.listdir: filepath \= os.path.join if filename.endswith: loader \= PyPDFLoader elif filename.endswith: loader \= UnstructuredMarkdownLoader elif filename.endswith: loader \= TextLoader else: continue docs \= loader.load for doc in docs: doc.pagecontent \= doc.pagecontent.strip.replace.replace doc.metadata \= {"filename": filename} documents.extend return documents

documents \= loaddocuments textsplitter \= RecursiveCharacterTextSplitter splitdocs \= textsplitter.split_documents

db \= Chroma( embeddingfunction\=embeddings, persistdirectory\=VECTORDBDIR, collectionname\="personal_knowledge" ) db.adddocuments db.persist

def searchknowledge: """基础相似性搜索 + 元数据过滤""" results \= db.similaritysearch for i, doc in enumerate: print

search_knowledge

search_knowledge if f.endswith]}})

在实际项目中，向量数据库中的数据并非一成不变，需要动态添加新文档、geng新Yi有文档的内容或元数据，以及删除无效文档。本节以 Chroma 和 Pinecone 为例讲解 LangChain 中向量数据库的geng新和删除操作。

本质上，向量数据库的“geng新”操作是通过 “删除旧文档 + 添加新文档”实现的。

pythonfrom langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import Chroma

embeddings = HuggingFaceEmbeddings db = Chroma

texts = ids = metadatas= db.add_texts}')

newtext= newmetadata= oldid="doc1" self.collection.count}')

支持按 ID 精准删除和按元数据条件批量删除。

pythonfrom langchain.embeddinsg import HugginfaceEmbeddingss from langchain.vectorstores import chromadb=HugginfaceEmbedderpersistdirectory='./chomadb′collectionname='delete)test')ids=text=metadata=addtext=count}}) filte={'t'ag':'y'}delet)persist

FAISS 是 Facebook 开源的高效相似性检 索库，无需服务端，直接嵌入 Python 代码使用。

`python from langchain.embeddinsg import hugginfaceembedder fromlangchainevectostoresimportFaiss #初始faiss embddings=hugginfaceembedding texts= d=bFaiss.frotext=s imilardoc=sdb.similasearh=3`) fordocienumerates : print

`python

save_local

reloadedFaiss.load_local

速度极快，尤其适合百万 / 千万 级 向 量 集 ； 无 服务 端依赖，直接 Python 调用； 支持 GPU 加速，进一步提升性Neng。

下一 章 将讲解 LangCahin RAG 的完整流程，结合本 章 的 向 量 数据库，实现 “检 索 + 生成 ”的智Neng问答功Neng 。