从零开始：使用 Chroma 构建你的第一个 AI 向量数据库

1次阅读

没有评论

共计 2434 个字符，预计需要花费 7 分钟才能阅读完成。

AI 向量数据库是一种专门设计用来存储和检索向量形式数据的数据库。与传统数据库不同，它能够高效处理高维向量数据，并通过相似性搜索快速找到最匹配的结果。

语义搜索：构建智能搜索引擎
推荐系统：基于内容相似性推荐
图像识别：存储和检索图像特征向量
自然语言处理：处理词嵌入和文档向量

Chroma 是一个开源的 AI 向量数据库，以其轻量级和易用性著称。与其他向量数据库如 Pinecone、Milvus 相比，Chroma 更适合快速原型开发和小规模应用。

安装简单，依赖少
Python 优先的 API 设计
内存模式支持快速开发
轻量级，启动速度快

Python 3.7+
pip 最新版本

创建新的 Python 虚拟环境

python -m venv chroma_env
source chroma_env/bin/activate  # Linux/Mac
chroma_env\Scripts\activate    # Windows

安装 Chroma

pip install chromadb

验证安装

import chromadb
print(chromadb.__version__)

集合是 Chroma 中组织数据的主要方式，类似于传统数据库中的表。

import chromadb

# 创建客户端
client = chromadb.Client()

# 创建或获取集合
collection = client.create_collection("my_collection")

向量数据通常需要与元数据和 ID 一起存储。

# 示例数据
ids = ["id1", "id2", "id3"]
embeddings = [[0.1, 0.2, 0.3],  # 向量 1
    [0.4, 0.5, 0.6],  # 向量 2
    [0.7, 0.8, 0.9]   # 向量 3
]
metadatas = [{"category": "science"},
    {"category": "history"},
    {"category": "technology"}
]

# 添加数据到集合
collection.add(
    embeddings=embeddings,
    metadatas=metadatas,
    ids=ids
)

Chroma 的核心功能是根据向量相似性检索数据。

# 查询向量
query_embedding = [0.15, 0.25, 0.35]

# 执行相似性搜索
results = collection.query(query_embeddings=[query_embedding],
    n_results=2  # 返回最相似的 2 个结果
)

print(results)

Chroma 提供了基本的数据管理功能。

# 获取集合中的所有 ID
all_ids = collection.get()["ids"]

# 更新数据
collection.update(ids=["id1"],
    embeddings=[[0.11, 0.21, 0.31]],
    metadatas=[{"category": "physics"}]
)

# 删除数据
collection.delete(ids=["id2"])

以下是一个完整的 Chroma 使用示例：

import chromadb
import numpy as np

# 1. 初始化客户端和集合
client = chromadb.Client()
collection = client.create_collection("sample_collection")

# 2. 生成随机向量数据
num_items = 100
dim = 128  # 向量维度

ids = [f"id_{i}" for i in range(num_items)]
embeddings = np.random.rand(num_items, dim).tolist()
metadatas = [{"index": i} for i in range(num_items)]

# 3. 添加数据
collection.add(
    embeddings=embeddings,
    metadatas=metadatas,
    ids=ids
)

# 4. 查询示例
query_embedding = np.random.rand(dim).tolist()
results = collection.query(query_embeddings=[query_embedding],
    n_results=5
)

print("最相似的 5 个结果:")
for id, distance in zip(results["ids"][0], results["distances"][0]):
    print(f"ID: {id}, 距离: {distance:.4f}")

Chroma 的性能特点：