chromadb,一个向量化的 Python 库

大家好，我是木木。

今天给大家分享一个向量化的 Python 库，chromadb。

chromadb

chromadb 是一个面向 AI 应用的开源向量数据库，常用于保存文档 embedding、做语义检索和构建轻量知识库。它可以本地内存运行，也可以持久化或作为服务部署。对 RAG 项目来说，Chroma 的优点是上手快、概念直观；但 embedding 来源、元数据过滤、重建索引和权限隔离仍然要认真设计。

项目地址：https://github.com/chroma-core/chroma

官方文档：https://docs.trychroma.com/

三大特点

语义检索

用向量相似度找相关文本，适合知识库、问答和推荐原型。

本地可跑

内存模式和持久化模式都支持，验证想法时不必先搭复杂服务。

过滤灵活

文档、embedding 和 metadata 可以一起管理，方便做条件检索。

最佳实践

安装方式：pip install chromadb。

第一段代码解决的问题是：创建一个内存 Chroma 客户端和 collection，先确认集合元信息。

importos,warningsos.environ["PYDANTIC_DISABLE_PLUGINS"]="1"warnings.filterwarnings("ignore")importchromadbfromchromadb.configimportSettingsfromimportlib.metadataimportversionclient=chromadb.Client(Settings(anonymized_telemetry=False,is_persistent=False))collection=client.create_collection("demo_docs",metadata={"hnsw:space":"cosine"})print("package:",version("chromadb"))print("collection:",collection.name)print("count:",collection.count())

第二段代码解决的问题是：手动写入 embedding 和文档，再用 query embedding 做一次语义检索。

importos,warningsos.environ["PYDANTIC_DISABLE_PLUGINS"]="1"warnings.filterwarnings("ignore")importchromadbfromchromadb.configimportSettingsclient=chromadb.Client(Settings(anonymized_telemetry=False,is_persistent=False))collection=client.create_collection("demo_docs")collection.add(ids=["doc1","doc2","doc3"],documents=["Redis stores hot cache data","DuckDB analyzes local files","TinyDB keeps JSON docs"],embeddings=[[1.0,0.1,0.0],[0.0,1.0,0.1],[0.1,0.0,1.0]],)result=collection.query(query_embeddings=[[1.0,0.0,0.0]],n_results=2)print("count:",collection.count())print("ids:",result["ids"][0])print("docs:",result["documents"][0])

环境与版本信息

本文示例使用 Python 3.11，chromadb 1.1.1。示例关闭遥测并使用内存 collection，embedding 为手写小向量，避免依赖外部模型。

高级功能

进阶一点看 metadata 过滤。真实知识库里，按租户、来源或业务类型过滤通常和向量相似度一样重要。

importos,warningsos.environ["PYDANTIC_DISABLE_PLUGINS"]="1"warnings.filterwarnings("ignore")importchromadbfromchromadb.configimportSettingsclient=chromadb.Client(Settings(anonymized_telemetry=False,is_persistent=False))collection=client.create_collection("demo_docs")collection.add(ids=["doc1","doc2","doc3"],documents=["cache note","analytics note","local db note"],embeddings=[[1.0,0.1,0.0],[0.0,1.0,0.1],[0.1,0.0,1.0]],metadatas=[{"topic":"cache"},{"topic":"analytics"},{"topic":"local"}],)result=collection.query(query_embeddings=[[0.0,1.0,0.0]],n_results=3,where={"topic":"analytics"},)print("filtered ids:",result["ids"][0])print("filtered docs:",result["documents"][0])print("distance:",round(result["distances"][0][0],4))

适用场景

适合 RAG 原型、文档问答、语义搜索、AI Agent 记忆检索和小团队本地知识库验证。

不适用场景

如果你需要强权限隔离、超大规模多租户、严格审计或复杂混合检索，应该先评估专门的向量数据库和检索系统。

上线检查

1. 固定 embedding 模型和维度，避免新旧向量混用。
2. 为来源、租户、时间等字段设计 metadata 过滤。
3. 准备重建索引和重新 embedding 的离线流程。

总结

chromadb 很适合把“语义检索”快速跑起来。真正上线时，把 embedding、过滤条件和数据生命周期管住就更稳。