7.4 领域特定应用与定制化

在体系位置里，这一节是第七章收尾，也是全册"会用"到"用好"的最后一跃：把 Chroma 落到具体领域（法律、医疗、金融）时，schema、切分、嵌入怎么定制。通用做法在这里要打补丁。

历史角度切入

早期向量库多用于通用文档检索，领域知识一来就露怯：法律条文讲究条款层级、医疗术语错一字意思全反、金融研报数字敏感。直接用通用嵌入 + 固定切分，召回常常"看起来相关其实答非所问"。领域定制就是补这些缝隙。

领域元数据 schema 设计

import chromadb
col = chromadb.Client().create_collection("law")
## 法律领域: 平铺可过滤字段, 便于按效力层级/领域缩查
col.add(
    ids=["law_1"],
    documents=["合同法第52条: 恶意串通损害国家利益的合同无效"],
    metadatas=[{
        "domain": "law",
        "category": "contract",   # 合同/侵权/婚姻...
        "level": "law",           # 法律/条例/司法解释
        "effective": True,
    }],
)
## 查询时按领域+类别双重护栏
res = col.query(query_texts=["哪种合同无效"], n_results=3,
                where={"domain": "law", "category": "contract"})
print("法律领域命中:", len(res["documents"][0]))
## 输出: 法律领域命中: 1
​

领域切分策略

## 法律按条款切, 而非固定字数, 保住语义边界
def chunk_by_clause(text):
    # 简化: 按"第x条"切分
    import re
    parts = re.split(r"(?=第\d+条)", text)
    return [p for p in parts if p.strip()]

doc = "第52条 恶意串通无效。第53条 免除人身伤害责任的条款无效。"
print("按条款切:", chunk_by_clause(doc))
## 输出: 按条款切: ['第52条 恶意串通无效。', '第53条 免除人身伤害责任的条款无效。']
​

领域嵌入模型

## 医疗/法律常用领域微调模型, 替换默认嵌入
from chromadb.utils import embedding_functions
law_ef = embedding_functions.HuggingFaceEmbeddingFunction(
    model_name="maidalun/bce-embedding-base_v1"  # 示意: 领域向模型
)
col_law = chromadb.Client().create_collection("law2", embedding_function=law_ef)
col_law.add(ids=["l1"], documents=["善意取得制度适用于动产"])
print("领域模型维度:", len(law_ef(["测试"])[0]))
## 输出: 领域模型维度: (按模型)
​

案例：医疗术语召回纠错

背景：通用模型把"心梗"和"心衰"当成相近，临床检索误召回。

操作：换医疗微调嵌入模型，并加 icd_code 元数据做精确过滤。

结果：术语级区分明显提升，"心梗"不再误召回"心衰"文档。

解读：领域错的代价比通用高得多——医疗答错可能误导诊断。这像物理里"量纲"：错一个单位，结果差出量级。

变式：若领域模型贵，可对头部高频术语建关键词白名单，混合检索兜底。

我们看定制的取舍

领域定制三件套——schema（平铺可过滤）、切分（保语义边界）、嵌入（领域模型）——每一项都针对"通用做法在该领域的失效点"。代价是你要懂领域结构才能设计对。先小集合验证召回，再全量灌，是最稳的路径。

深度对照：领域定制是"调口味"不是"换厨房"

通用嵌入模型覆盖广但未必贴合你的专业领域（如法律、医学、金融术语）。领域定制是在不推翻整个 Chroma 架构的前提下，换上更懂你行话的嵌入模型，或做领域切分。这像同一套厨房设备，换本地方言的菜单，出品的菜更对本地胃口。

定制手段包括：选用领域微调的嵌入模型、为领域文档单独开 Collection、在元数据里强化领域标签便于过滤。架构不变，只是"料"更专。

## 领域定制的几种杠杆(非运行代码)
levers = {
    "领域嵌入模型": "更懂行话, 近义关系更准",
    "领域专属Collection": "语义域隔离, 不干扰通用库",
    "领域元数据标签": "查询时强过滤到领域",
}
for k, v in levers.items():
    print(f"{k}: {v}")
## 领域嵌入模型: 更懂行话, 近义关系更准
## 领域专属Collection: 语义域隔离, 不干扰通用库
## 领域元数据标签: 查询时强过滤到领域
​

评估定制是否值得

定制有成本（找/训模型、重嵌数据）。判断标准是：通用模型在你的领域召回是否真的不够。先用通用模型建评测集，发现明显短板再投入定制。这像先试吃再决定改菜单，不凭感觉。

⚠️ 常见坑：一上来就训领域模型，投入大，结果通用模型加几个领域同义词表就能解决，白费力气。

💡 关键直觉：定制是"边际改进"手段，不是"必做动作"。先量化通用方案的不足，再决定定制力度，避免过度工程。

实践中的常见坑与关键直觉

• ⚠️ 领域模型训完不重嵌旧数据：新查询用新坐标系，旧向量还是旧的，距离失准。
• ⚠️ 领域 Collection 无限细分：每个子领域一库，管理爆炸，应按语义接近度合并。
• 💡 把领域词典作为元数据增强，低成本提升过滤精度，先于重训模型尝试。
• 💡 领域定制效果用领域评测集量化，证明 ROI 再扩大投入。

一个过度定制的案例

背景：某团队一上来就训领域嵌入模型，投入大周期长。

操作：事后发现通用模型加领域同义词表就能解决大半问题。

结果：退回轻量方案，用元数据标签增强过滤，召回已够用。

解读：定制是边际手段，先量化通用方案不足再投入。这像先试吃再改菜单。

变式：若确需定制，先用领域评测集证明 ROI，再扩大模型微调与重嵌投入。

本节要点回顾：领域定制三件套——schema（平铺可过滤字段做领域护栏）、切分（按条款/结构保语义边界）、嵌入（领域微调模型提升术语区分）；通用模型在法律/医疗易错，应先小集合验证召回再全量。

⚠️ 医疗等法律高危领域用通用嵌入，术语级误召回可能误导决策——领域模型或关键词白名单不是可选项。

💡 领域定制先在小集合上验证召回对不对，再全量灌库；直接全量往往要返工重灌，成本高。