在 Python 生态中，最常用的向量数据库之一是 **Chroma**，尤其对于入门学习、快速原型开发和轻量级应用场景[ref_3]。其核心优势在于开箱即用的简单性、与 Python 的无缝集成，以及极低的学习曲线[ref_2][ref_3]。下表对比了 Chroma 与其他主流向量数据库在 Python 环境下的关键特性： | 向量数据库 | 核心特点 | Python 集成难度 | 部署复杂度 | 典型适用场景 | | :--------- | :----------------------------------------------------------------------- | :-------------- | :--------- | :------------------------------- | | **Chroma** | 轻量级、API 简洁、开箱即用、与 LangChain 生态无缝集成[ref_1][ref_3] | **极低** | **极低** | 学习、原型开发、轻量级 AI Agent | | Milvus | 功能强大、性能优异、支持高维向量和大规模数据[ref_1][ref_2] | 中等 | 高 | 大规模生产环境、高性能检索 | | Pinecone | 全托管云服务、免运维、高可用[ref_1] | 低 | 无 | 企业级云应用、希望免运维的团队 | | Qdrant | 云原生设计、RESTful API、支持过滤[ref_1] | 低 | 中等 | 云原生架构、需要丰富过滤条件的场景 | | Weaviate | 内置模块化、支持多模态、具备图数据库能力[ref_1] | 低 | 中等 | 多模态搜索、知识图谱构建 | 对于 Python 开发者，特别是 AI Agent 新手，Chroma 因其“直接安装 Python 库即可使用”的特性而成为首选[ref_2][ref_3]。下面将通过一个完整的示例，展示如何使用 Python 操作 Chroma 进行文本的嵌入、存储和相似性检索。 ### Python 使用 Chroma 向量数据库示例 本示例将完成以下流程：1. 安装依赖；2. 创建客户端与集合；3. 生成文本嵌入并存入数据库；4. 执行相似性查询。 #### 1. 环境准备与安装 首先，使用 `pip` 安装 `chromadb` 库和用于生成文本嵌入向量的 `sentence-transformers` 库。 ```bash pip install chromadb sentence-transformers ``` #### 2. 完整代码示例 ```python import chromadb from sentence_transformers import SentenceTransformer import uuid # 1. 初始化 Chroma 客户端和嵌入模型 # 创建持久化客户端，数据将保存在本地 `./chroma_data` 目录 chroma_client = chromadb.PersistentClient(path="./chroma_data") # 加载一个轻量级的句子嵌入模型 # 这里使用 'all-MiniLM-L6-v2'，它平衡了速度与质量，适用于演示 embedding_model = SentenceTransformer('all-MiniLM-L6-v2') # 2. 创建或获取一个集合（Collection） # 集合是 Chroma 中存储向量及相关数据的主要单元 collection_name = "my_documents" # 如果集合不存在则创建，并指定使用自定义函数生成嵌入 collection = chroma_client.get_or_create_collection( name=collection_name, embedding_function=None # 我们将手动计算嵌入后传入 ) # 3. 准备要存储的文档数据 documents = [ "机器学习是人工智能的一个分支。", "深度学习利用神经网络进行特征学习。", "Python 是一种流行的编程语言，广泛用于数据科学。", "向量数据库专门用于存储和检索高维向量数据。", "Chroma 是一个轻量级的开源向量数据库。" ] # 为每个文档生成唯一的 ID 和对应的嵌入向量 doc_ids = [str(uuid.uuid4()) for _ in range(len(documents))] doc_embeddings = embedding_model.encode(documents).tolist() # 将文本转换为向量 # 4. 将文档及其嵌入向量添加到集合中 # Chroma 支持同时存储原始文本、向量和可选的元数据 collection.add( embeddings=doc_embeddings, # 预计算的向量列表 documents=documents, # 原始文本 ids=doc_ids # 每个文档的唯一标识符 ) print(f"已成功插入 {len(documents)} 个文档到集合 '{collection_name}'。") # 5. 执行相似性查询 query_text = "什么是用于AI的数据库？" print(f"\n查询问题：'{query_text}'") # 将查询文本转换为向量 query_embedding = embedding_model.encode([query_text]).tolist() # 在集合中搜索最相似的文档 # `n_results` 参数指定返回最相似结果的数量 results = collection.query( query_embeddings=query_embedding, n_results=2 # 返回最相似的2个文档 ) # 6. 解析并展示查询结果 print("\n--- 相似性检索结果 ---") for i, (doc, distance) in enumerate(zip(results['documents'][0], results['distances'][0])): # `distance` 默认是余弦距离，值越小表示越相似 print(f"结果 {i+1} (相似度距离：{distance:.4f}):") print(f" 文档内容：{doc}") print() ``` #### 3. 关键步骤与原理说明 1. **嵌入生成**：向量数据库的核心是将文本（或图像、音频）转换为机器可理解的数值向量（即嵌入）。示例中使用 `sentence-transformers` 模型生成语义向量，这些向量在高维空间中捕获了文本的含义，语义相近的文本其向量距离也更近[ref_4][ref_5]。 2. **数据存储**：`collection.add` 方法将 **原始文档**、其对应的**向量**以及 **ID** 作为一个整体存入数据库。这种设计使得检索时可以直接返回原始内容，无需二次查找[ref_2]。 3. **相似性检索**：`collection.query` 是核心操作。当传入查询向量时，Chroma 内部会使用**近似最近邻（ANN）算法**快速计算它与集合中所有向量的距离（默认使用余弦距离），并返回距离最近的若干个结果[ref_4][ref_5]。这个过程避免了全量计算的性能开销，实现了毫秒级的语义搜索。 #### 4. 进阶：使用内置的嵌入函数 为了进一步简化，Chroma 可以直接集成嵌入模型，自动处理向量化。这需要安装 `chromadb` 的嵌入依赖。 ```python pip install chromadb[embedding-models-hub] # 或 chromadb[all] ``` 然后，代码可以简化为： ```python import chromadb # 使用默认的嵌入模型（all-MiniLM-L6-v2） chroma_client = chromadb.PersistentClient(path="./chroma_data_simple") # 创建集合时指定嵌入函数，后续无需手动编码 collection = chroma_client.get_or_create_collection( name="simple_collection", embedding_function="all-MiniLM-L6-v2" # 指定嵌入模型名称 ) # 添加文档时只需传入文本，Chroma 会自动生成向量 collection.add( documents=[ "机器学习是人工智能的一个分支。", "深度学习利用神经网络进行特征学习。" ], ids=["doc1", "doc2"] ) # 查询时直接传入查询文本 results = collection.query( query_texts=["什么是神经网络？"], n_results=1 ) print(results['documents']) ``` 综上所述，Chroma 凭借其极简的 Python API、无缝的本地运行体验以及强大的社区生态（如 LangChain 集成），成为 Python 开发者入门和开发向量检索应用时最常用、最便捷的工具[ref_3]。对于需要处理亿级数据、追求极致吞吐量和召回率的生产环境，则可以评估像 **Milvus** 这样更重量级的解决方案[ref_1][ref_6]。