在进入大模型（LLM）开发时代后，“向量数据库（Vector Database）”成为了一个高频出现的词汇。如果你正在学习如何让 AI 具备“长记忆”，或者尝试搭建属于自己的 RAG（检索增强生成）应用，那么向量数据库是你绝对绕不开的核心组件。
今天，我们将通过一个非常简单的 Python 示例，带你零门槛体验本地轻量级开源向量数据库 ChromaDB，并通俗地解释一下它与传统搜索的区别。
1. 灵魂拷问：有了 ES，为什么我们还需要向量数据库？
传统我们在做搜索应用时（例如 Elasticsearch 分词查询），底层依赖的是倒排索引。它的本质是“字面匹配”。
•痛点：如果你搜“iPhone”，但文章里只写了“苹果智能终端”，因为没有任何相同的字眼，系统就搜不到（除非你维护庞大的同义词库）。
而向量数据库完全抛弃了字面匹配，它基于“语义相似度”。
它的工作原理分为极其优雅的两步：
1. 降维打击成数字（Embedding）：调用 AI 模型理解文本的深层意思，并将其转换成多维空间中的一个“坐标点”（数字数组），这就叫向量。意思越接近的废话，它们在空间坐标里离得就越近。
2. 计算距离：查询时，把问题也变成坐标，然后用数学公式计算周边最近的坐标。
因为是在数学空间里找邻居，所以哪怕问题和文档没任何相同的字，也能被精准匹配出来！
2. 认识 ChromaDB
Chroma 是一个专为 AI 而生的开源向量数据库。
相比主流的重量级产品，它最大的优势是：不用配置服务器、不用部署 Docker 容器，直接 `pip install` 就能在本地代码里跑起来！ 非常适合学习和原型开发。
3. 安装依赖
打开你的终端，执行以下命令：
```bashpip3 install chromadb```
4. 核心示例代码 (Python)
下面是用 ChromaDB 实现文本入库到语义搜索的全过程，核心只有 4 个步骤：
```pythonimport chromadbdef main(): # 1. 初始化 Chroma 客户端 # 这里我们使用内存模式。如果你想把数据持久化到本地硬盘，可以使用: # client = chromadb.PersistentClient(path="./my_chroma_data") print("正在初始化 ChromaDB 客户端...") client = chromadb.Client() # 2. 创建集合 (Collection)，相当于关系型数据库里的"一张表" collection_name = "demo_collection" # 为了演示便利，如果遇到旧的集合则先清理掉异常 try: client.delete_collection(name=collection_name) except Exception: pass collection = client.create_collection(name=collection_name) print(f"成功创建集合: {collection_name}") # 3. 添加文档数据 # 🔥 最爽的一点：你不需要自己调 API 获取向量！ # Chroma 会在本地自动下载轻量级开源模型 (all-MiniLM-L6-v2) 完成所有文本到向量的转换。 print("正在添加数据，首次运行由于下载模型可能需要片刻...") collection.add( documents=[ "草莓是一种非常甜美的水果，富含维生素C。", "人工智能（AI）正在改变我们的工作和生活方式。", "今天的天气非常适合去户外爬山。", "香蕉是猴子最喜欢吃的食物。", "深度学习是大语言模型的核心技术。" ], # 可以附加上级元数据供后期过滤 metadatas=[ {"category": "fruit"}, {"category": "tech"}, {"category": "weather"}, {"category": "fruit"}, {"category": "tech"} ], # 别忘了给每条数据一个唯一主键 ids=["doc1", "doc2", "doc3", "doc4", "doc5"] ) print("文档入库成功！\n") # 4. 语义查询体验 query_text = "有什么好吃的水果？" print(f"--- 搜索查询: '{query_text}' ---") # 输入查询，去数据库里提取最相关的 N 条结果 results = collection.query( query_texts=[query_text], n_results=2 ) # 打印返回结果 for i in range(len(results['documents'][0])): doc = results['documents'][0][i] meta = results['metadatas'][0][i] distance = results['distances'][0][i] # 数值越小代表语义越贴近 print(f"[{i+1}] {doc} \n (类别: {meta['category']} | 数学距离: {distance:.4f})")if __name__ == "__main__": main()```
5. 总结
在上面的演示中可以看到，当我们查询 "有什么好吃的水果？" 时，系统能准确地把关于“草莓”和“香蕉”的句子匹配出来，因为在向量空间中，它们代表相似的上下文。
当你掌握了这四步：初始化 -> 建集合 -> 入库向量化 -> 相似度检索，你就已经踏入了现代 AI RAG 架构的大门了。如果我们要接上大语言模型，只需要把查出来的这两句话组装进提示词里丢给 GPT 或者 DeepSeek，它们就能根据你本地的资料做智能回答了！
本文是个人学习大模型与向量数据库时的实战小记，希望对准备入门 AI 开发的大家有所启发。
感谢关注，我会持续更新，欢迎查看其他知识点学习记录：
https://github.com/start007-smart/ai-learning
#python #ChromaDB #AI知识 #RAG
10个月宝宝每天需要喝多少奶粉？
