Chroma 提供数据库 Python

{{< 资源信息 >}}

## 简介：为什么您的 RAG 管道需要更好的矢量存储 您构建了一个 RAG 应用程序。 它可以很好地处理 500 个文档。 然后你达到 50,000，搜索开始爬行。 延迟从 200 毫秒跃升至 4 秒。 您的用户注意到了。 您尝试使用 pgvector 来使用 PostgreSQL，但设置感觉就像配置一艘宇宙飞船。 您尝试过 Pinecone，但定价的增长速度快于流量的增长速度。 这正是 Chroma 解决的问题。 Chroma 是一个开发人员优先的矢量数据库，专为 90% 不需要分布式集群编排的 AI 应用程序而设计——它们需要快速的嵌入搜索、简单的设置和true正有意义的 Python API。 截至 2026 年 5 月，Chroma 已突破 18,000 个 GitHub star，发布 v0.6.x，具有持久存储、元数据过滤和查询引擎，在超过 1M 向量的数据集上，其检索速度比朴素的平面索引暴力破解快 50 倍。 该项目由 Chroma 团队在 Apache-2.0 下维护，是 LangChain 和 LlamaIndex 快速入门指南中的默认矢量存储。 本指南可让您在 30 分钟内从"pip install"过渡到生产就绪的 RAG。 无需具备矢量数据库经验。 ## 色度是什么？ （一句话定义） Chroma 是一个Open Source的嵌入原生向量数据库，具有 Python-first API，用于存储文档及其向量嵌入，然后使用近似最近邻 (ANN) 搜索检索语义上最相似的结果。 与固定在矢量扩展上的传统数据库不同，Chroma 是从头开始构建的嵌入工作流程：添加文档→生成嵌入→按含义查询。 它支持内存（开发）和持久磁盘（生产）存储模式，并在 Docker 中本地运行或在具有零外部依赖性的 VPS 上运行。 ## Chroma 的工作原理：架构和核心概念 Chroma 的架构故意变得简单。 理解三个核心概念可以让你成功 80%： ### 收藏 集合是相关文档及其嵌入的容器。 将其视为 SQL 中的表，但无模式且是矢量本机的。 您为每种文档类型创建一个集合（例如"legal_docs"、“product_manuals”、“support_tickets”）。 ### 嵌入 您添加的每个文档都会通过嵌入模型转换为向量（浮点数数组，通常为 384-1536 维）。 Chroma 可以使用默认模型（如"all-MiniLM-L6-v2"）自动生成嵌入，或接受来自 OpenAI、Cohere 或任何自定义模型的预先计算的向量。 ### 通过向量相似度查询 当您查询时，Chroma 会将您的文本转换为相同的向量空间，然后使用 HNSW（分层可导航小世界） 索引在亚毫秒时间内找到最近的邻居。 HNSW 索引比暴力余弦相似度提供了50 倍的加速。 ### 存储模式 | 模式| 坚持| 使用案例| 性能| |