企业官网建设流程全解析

Chroma 轻量实战：5 分钟搭建你的第一个向量应用 🎯

🔥本文是《向量数据库实战：选型、调优与落地》专栏第 08 篇

⏱️阅读时间：约 10 分钟

🎯 开篇：最简单的向量数据库

如果你只想快速验证一个想法，不想折腾 Docker、集群、配置文件——

Chroma 就是你的菜🍒

┌─────────────────────────────────────────────────────┐ │ Chroma 的定位 │ ├─────────────────────────────────────────────────────┤ │ │ │ Milvus = 重型卡车（功能全，但重） │ │ Qdrant = 跑车（快，但需要一定配置） │ │ Chroma = 自行车（轻便、即开即走）🚲 │ │ │ │ 一行 pip install，三行代码就能跑起来 │ │ │ └─────────────────────────────────────────────────────┘

🛠️ 安装 & 启动

# 安装pipinstallchromadb# 就这么简单，没有第二步了 😂

Chroma 支持三种运行模式：

📝 5 分钟实战

模式一：内存模式（最快上手）

importchromadb# 创建内存客户端client=chromadb.EphemeralClient()# 创建集合（Chroma 内置了默认 embedding 函数！）collection=client.create_collection(name="my_knowledge",metadata={"hnsw:space":"cosine"}# 余弦相似度)# 添加数据（直接传文本！Chroma 自动调用 embedding 模型）collection.add(documents=["向量数据库是专门存储和检索向量的数据库","HNSW 是最流行的向量索引算法","Chroma 是最轻量的向量数据库","RAG 技术让大模型能访问外部知识","余弦相似度衡量向量方向的相似程度",],ids=["doc1","doc2","doc3","doc4","doc5"])# 查询（也是直接传文本！）results=collection.query(query_texts=["什么是向量数据库"],n_results=3)# 打印结果fordoc,distanceinzip(results['documents'][0],results['distances'][0]):print(f"距离:{distance:.4f}|{doc}")

输出：

距离: 0.1823 | 向量数据库是专门存储和检索向量的数据库 距离: 0.3156 | Chroma 是最轻量的向量数据库 距离: 0.3892 | RAG 技术让大模型能访问外部知识

看到了吗？不需要自己调用 Embedding 模型，Chroma内置了默认的 embedding 函数（基于all-MiniLM-L6-v2），直接传文本就能用！

模式二：持久化模式

importchromadb# 持久化到本地目录client=chromadb.PersistentClient(path="./chroma_data")# 后续操作和内存模式完全一样collection=client.get_or_create_collection("my_knowledge")collection.add(documents=["..."],ids=["..."])

模式三：服务器模式

# 启动 Chroma 服务chroma run--path./chroma_data--port8000

# 客户端连接importchromadb client=chromadb.HttpClient(host="localhost",port=8000)

🧩 Chroma 的独特功能

1. 自动 Embedding

# Chroma 默认使用 all-MiniLM-L6-v2# 你也可以自定义 embedding 函数fromchromadb.utilsimportembedding_functions# 使用 OpenAI embeddingopenai_ef=embedding_functions.OpenAIEmbeddingFunction(api_key="sk-xxx",model_name="text-embedding-3-small")collection=client.create_collection(name="openai_collection",embedding_function=openai_ef)

2. 内置元数据过滤

# 添加带元数据的文档collection.add(documents=["文档A内容","文档B内容","文档C内容"],metadatas=[{"source":"wiki","year":2024},{"source":"blog","year":2025},{"source":"wiki","year":2025},],ids=["a","b","c"])# 带过滤的查询results=collection.query(query_texts=["查询内容"],where={"source":"wiki"},# 精确过滤where_document={"$contains":"文档"},# 文档内容过滤n_results=2)

3. 内置 Embedding 模型对比

📊 Chroma vs Milvus vs Qdrant

💡 Chroma 最佳使用场景

┌─────────────────────────────────────────────────────────┐ │ Chroma 最佳使用场景 │ ├─────────────────────────────────────────────────────────┤ │ │ │ ✅ 快速原型验证（30 分钟跑通一个 RAG Demo） │ │ ✅ 本地开发调试（不需要启动外部服务） │ │ ✅ 小数据量应用（< 100 万条） │ │ ✅ LangChain / LlamaIndex 集成（内置支持） │ │ ✅ Jupyter Notebook 实验 │ │ │ │ ❌ 大规模生产环境（> 100 万条） │ │ ❌ 需要高可用/分布式 │ │ ❌ 需要复杂索引类型 │ │ │ └─────────────────────────────────────────────────────────┘

🔑 本篇核心要点回顾

📌下篇预告：《FAISS 深度实战：Facebook 的向量检索利器，单机性能天花板 💪》

💬有问题欢迎评论区讨论，觉得有用请点赞收藏 👍

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容