使用brew安装向量数据库Chroma的完整指南：从原理到避坑

1次阅读

共计 1462 个字符，预计需要花费 4 分钟才能阅读完成。

Chroma 是一个开源的向量数据库，专门为 AI 应用设计。简单来说，它就像一个专门存放向量的仓库，能快速帮你找到最相似的向量。比如在做推荐系统、语义搜索或者图像识别时，我们经常需要比较成千上万的高维向量，传统数据库在这方面效率很低，而 Chroma 就是为解决这个问题而生的。

在 macOS 上安装 Chroma 最方便的方法就是使用 Homebrew。如果你还没安装 brew，可以先去官网按照指引安装好。

首先更新 brew 以确保获取最新版本的软件包
```
brew update
```
然后安装 Chroma
```
brew install chromadb
```

错误：依赖冲突
如果遇到依赖包冲突，可以尝试：

1. brew unlink 冲突的包
2. brew install chromadb
3. brew link 冲突的包

错误：版本不匹配
建议使用特定版本：
```
brew install chromadb@0.4.0
```

安装完成后，我们需要进行一些基本配置。Chroma 默认支持 768 维向量，但如果你的应用需要更高维度，可以这样调整：

修改配置文件（通常在 /usr/local/etc/chroma/config.yml）
```
vector_dimensions: 1536  # 调整为你的需求
```
重启 Chroma 服务使配置生效
```
brew services restart chromadb
```

下面是一个完整的 Python 示例，展示如何使用 Chroma 进行向量存储和查询：

import chromadb

# 创建或连接数据库
client = chromadb.Client()
collection = client.create_collection(name="my_collection")

# 添加一些向量和对应的文档
collection.add(embeddings=[[0.1, 0.2, 0.3], [0.4, 0.5, 0.6]],  # 你的向量数据
    documents=["文档 1", "文档 2"],  # 对应的文本
    ids=["id1", "id2"]  # 唯一 ID
)

# 查询最相似的向量
results = collection.query(query_embeddings=[[0.15, 0.25, 0.35]],  # 查询向量
    n_results=1  # 返回最相似的 1 个结果
)

print(results)

要让 Chroma 运行得更高效，可以考虑以下几点：