链载Ai

标题: RAG 落地必备的 1 个开源 AI 原生向量数据库 —Chroma [打印本页]

作者: 链载Ai 时间: 前天 18:05
标题: RAG 落地必备的 1 个开源 AI 原生向量数据库 —Chroma

一、Chroma 核心概念与优势

1. 什么是 Chroma？

Chroma 是一款开源的向量数据库，专为高效存储和检索高维向量数据设计。其核心能力在于语义相似性搜索，支持文本、图像等嵌入向量的快速匹配，广泛应用于大模型上下文增强（RAG）、推荐系统、多模态检索等场景。与传统数据库不同，Chroma 基于向量距离（如余弦相似度、欧氏距离）衡量数据关联性，而非关键词匹配。

GitHub地址：

https://github.com/chroma-core/chroma

官方文档：

https://docs.trychroma.com/

2. 核心优势

轻量易用：以 Python/JS 包形式嵌入代码，无需独立部署，适合快速原型开发。
灵活集成：支持自定义嵌入模型（如 OpenAI、HuggingFace），兼容 LangChain 等框架。
高性能检索：采用 HNSW 算法优化索引，支持百万级向量毫秒级响应。
多模式存储：内存模式用于开发调试，持久化模式支持生产环境数据落地。

二、安装和基础配置

1、安装Chroma

支持windows和ubuntu操作系统，Python>=3.9

创建虚拟环境以及安装：

#创建虚拟环境condacreate-nchromadbpython==3.10#激活condaactivatechromadb#安装chromadbpipinstallchromadb

注意：Chroma 默认是本地嵌入式数据库，并不原生支持远程访问像传统数据库那样（比如 PostgreSQL 那种 client-server 模式）。

当然官方也提供了客户端-服务器端模式（Client-Server Mode）。服务器端的启动方式如下：

#服务器端启动，默认端口号8000chromarun--path/db_path

2、初始化客户端

内存模式（调试，实验的场景）：

importchromadbclient=chromadb.Client()

持久化模式（生产环境）：

在创建的时候，可以配置本地的存储路径

importchromadb#数据保存至本地目录,path填写绝对路径client=chromadb.PersistentClient(path="/path/to/save")

Client-Server模式的客户端：

前两种，都是本地模式，chroma的服务端和客户端需要位于同一台机器。CS模式可以独立部署，通过httpclient进行访问。

importchromadbchroma_client=chromadb.HttpClient(host='localhost',port=8000)

三、增删改查操作

1. 创建集合（Collection）

集合是 Chroma 中管理数据的基本单元，类似传统数据库的表。集合的name名称有以下约束：

名称的长度必须介于 3 到 63 个字符之间。
名称必须以小写字母或数字开头和结尾，中间可以包含点、破折号和下划线。
名称不得包含两个连续的点。
该名称不能是有效的 IP 地址。

Chroma 集合是用一个名称和一个可选的嵌入函数创建的。

如果您提供嵌入函数，则每次获取集合时都必须提供它。

# 创建collection= client.create_collection(name="my_collection", embedding_function=emb_fn)

# 获取collection= client.get_collection(name="my_collection", embedding_function=emb_fn)

# 若没有则创建，若有则获取collection= chroma_client.get_or_create_collection(name="my_collection2")

如果不提供嵌入函数，则使用默认的嵌入函数 sentence transformer 使用的的是一个小型的模型all-MiniLM-L6-v2，该模型主要是针对英语场景。一般我们都需要自定义一个嵌入函数：

importchromadbfromsentence_transformersimportSentenceTransformer
classSentenceTransformerEmbeddingFunction: def__init__(self, model_path:str, device:str="cuda"):    self.model = SentenceTransformer(model_path, device=device) def__call__(self,input:list[str]) ->list[list[float]]:   ifisinstance(input,str):     input= [input]   returnself.model.encode(input, convert_to_numpy=True).tolist()
# 创建/加载集合（含自定义嵌入函数）embed_model = SentenceTransformerEmbeddingFunction(  model_path=r"D:\Test\LLMTrain\testllm\llm\BAAI\bge-m3",  device="cuda"# 无 GPU 改为 "cpu")# 创建客户端和集合client = chromadb.Client()collection = client.create_collection("my_knowledge_base",                   metadata={"hnsw:space":"cosine"},                   embedding_function=embed_model)

创建collect时，可以配置如下参数。

name标识collect的名称，是必填项；
embedding_function，指定嵌入函数，不填为默认的嵌入模型。
metadata，元数据，比如索引方式等，非必填。

fromdatetimeimportdatetimecollection=client.create_collection(name="my_collection",embedding_function=emb_fn,metadata={"description":"myfirstChromacollection","created":str(datetime.now())})

集合还有一些常用方法：

peek() - 返回集合中前 10 个项目的列表。
count() -返回集合中的项目数。
modify() -重命名集合

collection.peek()collection.count()collection.modify(name="new_name")

2、写入数据

写入数据时，配置以下参数:

document，原始的文本块。
metadatas，描述文本块的元数据，kv键值对。
ids，文本块的唯一标识，每个文档必须具有唯一关联的ID。若添加两次相同的 ID 将导致仅存储初始值。
embeddings，对于已经向量化的文本块，可以直接写入结果。如果不填，则在写入时，使用指定或者默认的嵌入函数对documents进行向量化。

collection.add(documents=["loremipsum...","doc2","doc3",...],metadatas=[{"chapter":"3","verse":"16"},{"chapter":"3","verse":"5"},{"chapter":"29","verse":"11"},...],ids=["id1","id2","id3",...])

或者

collection.add(embeddings=[[1.1,2.3,3.2],[4.5,6.9,4.4],[1.1,2.3,3.2],...],metadatas=[{"chapter":"3","verse":"16"},{"chapter":"3","verse":"5"},{"chapter":"29","verse":"11"},...],ids=["id1","id2","id3",...])

3、修改数据

提供ids（文本唯一标识）。

collection.update(ids=["doc1"],#使用已存在的IDdocuments=["RAG是一种检索增强生成技术222"])

4、更新插入方法

Chroma 还支持更新插入操作，更新现有项目，如果项目尚不存在则添加它们。

collection.upsert(ids=["id1","id2","id3",...],embeddings=[[1.1,2.3,3.2],[4.5,6.9,4.4],[1.1,2.3,3.2],...],metadatas=[{"chapter":"3","verse":"16"},{"chapter":"3","verse":"5"},{"chapter":"29","verse":"11"},...],documents=["doc1","doc2","doc3",...],)

5、删除数据

Chroma 支持通过以下方式从集合中删除项目ID使用delete。与每个项目相关的嵌入、文档和元数据将被删除。

还支持where过滤器。如果没有ID提供，它将删除集合中与where筛选。

# 提供idscollection.delete(ids=["doc1"])
# where 条件删除collection.delete(  ids=["id1","id2","id3",...],where={"chapter":"20"})

6、查询数据

（1）查询所有数据

all_docs=collection.get()print("集合中所有文档：",all_docs)

（2）根据ids查询

可以通过以下方式从集合中检索项目ID使用get。

collection.get(	ids=["id1","id2","id3",...],where={"style":"style1"})

（3）查询嵌入

可以通过多种方式查询 Chroma 集合，使用query方法。比如使用query_embedding。

collection.query(query_embeddings=[[11.1,12.1,13.1],[1.1,2.3,3.2],...],n_results=10,where={"metadata_field":"is_equal_to_this"},where_document={"$contains":"search_string"})

查询将返回n_result每个最接近的匹配查询嵌入，按顺序排列。
可选where过滤字典可以通过metadata与每个文档关联。
此外，where document可以提供过滤字典来根据文档内容进行过滤。

（4）查询相似文档

还可以通过一组查询文本query_texts. Chroma 将首先嵌入每个查询文本与集合的嵌入函数，然后使用生成的嵌入执行查询。

#查询相似文档results=collection.query(query_texts=["什么是RAG技术？"],n_results=3)print("查询的结果",results)

查询结果配置

当使用 get 或 query 时，您可以使用include参数来指定您想要返回的数据包括：embeddings， documents，metadatas；include为数组，可以传多个值。
对于查询query，默认返回距离distances结果。
embeddings出于性能考虑，默认不返回，直接显示None ，若想返回，则include中包含embeddings即可。
ID始终会返回。
返回值里有included参数，表明本次返回的数据有哪些类型。
embeddings将以二维 NumPy 数组的形式返回。

#Onlygetdocumentsandidscollection.get(include=["documents"])collection.query(query_embeddings=[[11.1,12.1,13.1],[1.1,2.3,3.2],...],include=["documents"])

查询的结果示例

{'ids':[['doc1','doc3','doc2']],'embeddings':None,'documents':[['RAG是一种检索增强生成技术','三英战吕布','向量数据库存储文档的嵌入表示']],'uris':None,'included':['metadatas','documents','distances'],'data':None,'metadatas':[[{'source':'tech_doc'},{'source':'tutorial1'},{'source':'tutorial'}]],'distances':[[0.2373753786087036,0.7460092902183533,0.7651787400245667]]}

四、实战操作

将一批数据插入向量数据库，再根据一个问题从向量数据库中找出相似数据。

1、安装包

pipinstallsentence_transformerspipinstallmodelscope

2、下载Embedding模型到本地

#模型下载frommodelscopeimportsnapshot_downloadmodel_dir=snapshot_download('BAAI/bge-m3',cache_dir=r"D:\Test\LLMTrain\testllm\llm")

3、核心逻辑：写入数据和查询相似度

importchromadbfromsentence_transformersimportSentenceTransformerclassSentenceTransformerEmbeddingFunction:def__init__(self,model_path:str,device:str="cuda"):self.model=SentenceTransformer(model_path,device=device)def__call__(self,input:list[str])->list[list[float]]:ifisinstance(input,str):input=[input]returnself.model.encode(input,convert_to_numpy=True).tolist()#创建/加载集合（含自定义嵌入函数）embed_model=SentenceTransformerEmbeddingFunction(model_path=r"D:\Test\LLMTrain\testllm\llm\BAAI\bge-m3",device="cpu"#无GPU改为"cpu",有则为cuda)#创建客户端和集合client=chromadb.PersistentClient(path=r"D:\Test\LLMTrain\chromadb_test\chroma_data")collection=client.get_or_create_collection("my_knowledge_base",metadata={"hnsw:space":"cosine"},embedding_function=embed_model)#添加文档collection.add(documents=["向量数据库存储文档的嵌入表示","三英战吕布","RAG是一种检索增强生成技术"],metadatas=[{"source":"tech_doc"},{"source":"tutorial"},{"source":"tutorial1"}],ids=["doc1","doc2","doc3"])#查询相似文档results=collection.query(query_texts=["什么是RAG技术？"],n_results=3)print("查询的结果",results)

执行返回结果：

查询的结果{'ids': [['doc3','doc2','doc1']],'embeddings':None,'documents': [['RAG是一种检索增强生成技术','三英战吕布','向量数据库存储文档的嵌入表示']],'uris':None,'included': ['metadatas','documents','distances'],'data':None,'metadatas': [[{'source':'tutorial1'}, {'source':'tutorial'}, {'source':'tech_doc'}]],'distances': [[0.2373753786087036,0.7460092902183533,0.7651787400245667]]}

查看结果，我们重点看 distances，值是从小到大排序的，所以3条数据与问题“什么是RAG技术？”的相似度情况:distances值越小越相似。因此，第1条数据与问题最相似。

欢迎光临链载Ai (https://www.lianzai.com/)