Chroma向量数据库入门指南：从基础概念到实战应用

1次阅读

共计 1904 个字符，预计需要花费 5 分钟才能阅读完成。

传统关系型数据库在处理文本、图像等非结构化数据时面临根本性挑战。试想这样一个场景：当我们需要从百万级商品图片库中快速找到与用户上传照片最相似的 10 个商品时，MySQL 这类数据库会显得力不从心。

维度灾难：一张 512 维的特征向量在关系型数据库中需要拆分成 512 列，查询时需要全表扫描
计算低效：余弦相似度等计算无法利用数据库索引优化
扩展困难：垂直扩展成本随着数据量增长呈指数级上升

与其他主流向量数据库对比，Chroma 的独特定位非常清晰：

轻量易用：
单文件存储设计，无需复杂集群部署
与 Python 生态无缝集成，API 设计极简
开发友好：
内置 Embedding 函数支持（默认使用 Sentence Transformers）
自动处理向量归一化和索引管理
经济高效：
社区版完全开源免费
实测在千万级数据集上仍保持毫秒级响应

特性	Chroma	Pinecone	Milvus
部署复杂度	★★★	★★	★
学习曲线	★★	★★★	★★★★
分布式支持	有限	完善	完善
托管服务	无	有	有

graph LR
    A[原始数据] -->|Embedding 模型 | B(向量)
    B --> C{Collection}
    C --> D[元数据]
    C --> E[向量索引]
    D --> F[查询条件]
    E --> G[相似度计算]

Collection：相当于传统数据库的表，包含：
向量数据（必选）
关联的原始数据（可选）
元数据（如创建时间、标签等）
Embedding：
建议维度控制在 384-768 之间平衡精度与性能
同一 Collection 内的向量必须同维度

pip install chromadb

import chromadb
from chromadb.utils import embedding_functions

# 初始化客户端
client = chromadb.Client()

# 使用默认的 sentence-transformers 模型
sentence_transformer_ef = embedding_functions.SentenceTransformerEmbeddingFunction(model_name="all-MiniLM-L6-v2")

# 创建集合
collection = client.create_collection(
    name="my_articles",
    embedding_function=sentence_transformer_ef,
    metadata={"hnsw:space": "cosine"}  # 指定相似度计算方式
)

# 添加数据
collection.add(documents=["机器学习简介", "Python 高级技巧", "数据库优化实践"],
    metadatas=[{"type": "科普"}, {"type": "编程"}, {"type": "工程"}],
    ids=["doc1", "doc2", "doc3"]
)

# 相似搜索
results = collection.query(query_texts=["数据科学"],
    n_results=2,
    where={"type": {"$eq": "工程"}}  # 元数据过滤
)

print(results['documents'][0])  # 输出最相似的文档