共计 1464 个字符，预计需要花费 4 分钟才能阅读完成。
为什么需要向量数据库？
传统数据库（如 MySQL）擅长处理结构化数据，比如订单记录、用户信息等。但当我们需要处理图片、音频、文本等非结构化数据时，传统数据库就显得力不从心了。向量数据库的核心能力是将这些非结构化数据转换为向量（一组数字），然后通过计算向量之间的距离来快速找到相似内容。
举个例子：用传统数据库找「与图片 A 相似的图片」需要人工定义特征（如颜色分布），而向量数据库能自动学习深层特征，直接计算相似度。
Chromadb 核心概念
- 集合(Collection)：相当于传统数据库的表，用于存储同一类数据（如所有商品图片向量）
- 嵌入(Embedding)：通过模型（如 BERT、ResNet）将原始数据转换为向量的过程
- 查询(Query)：输入一个向量，返回集合中最相似的 N 个结果
- 元数据(Metadata)：附加到向量上的结构化信息（如「图片拍摄时间」）
实战：15 分钟完成第一个检索
安装与初始化
# 安装最新版（需 Python3.8+）pip install chromadb
import chromadb
# 创建内存型客户端（适合实验）client = chromadb.Client()创建集合与添加数据
# 创建名为 "products" 的集合
collection = client.create_collection("products")
# 添加 3 个示例向量（实际使用需替换为真实嵌入）collection.add(embeddings=[[0.1, 0.2, 0.3], [0.4, 0.5, 0.6], [0.7, 0.8, 0.9]], # 3 个 3 维向量
ids=["id1", "id2", "id3"],
metadatas=[{"type": "shoe"}, {"type": "bag"}, {"type": "hat"}]
)执行相似性查询
# 查询与 [0.12, 0.21, 0.31] 最相似的 1 个结果
results = collection.query(query_embeddings=[[0.12, 0.21, 0.31]],
n_results=1
)
print(results["ids"][0]) # 输出: ['id1']注意：实际项目中应使用专业模型生成嵌入，如：
from sentence_transformers import SentenceTransformer
model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode(["这是一段示例文本"])性能优化关键点
- 索引类型：
- 默认使用 HNSW（适合高召回率场景）
-
大数据集可换用 IVF（更快但精度略低）
collection.configure_index("hnsw", {"ef_construction": 200}) # 调整 HNSW 参数 -
批量操作：
- 单条插入性能差，建议攒够 1000 条批量插入
-
使用
collection.upsert()自动处理重复 ID -
持久化配置：
# 生产环境务必使用持久化客户端 client = chromadb.PersistentClient(path="/data/chromadb")
生产环境避坑指南
- 内存爆炸：单个集合超过 100 万向量时，考虑按业务分库
- 并发写入：Chromadb 采用文件锁，高并发需改用客户端分片
- 版本兼容：部署时固定 SDK 版本（如
chromadb==0.4.15）
下一步探索
- 如何实现混合查询（向量搜索 + 元数据过滤）？
- 当数据量超过单机容量时，分布式方案该如何选型？
（提示：Chromadb 企业版支持水平扩展，社区版可通过分片实现）
正文完
