向量数据库技术系列三-Chroma介绍

最新推荐文章于 2025-04-09 18:52:09 发布
最新推荐文章于 2025-04-09 18:52:09 发布
阅读量1.5k 收藏 32
点赞数 26
文章标签： chromadb 数据库 向量
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tcy83/article/details/144943921
版权

一、前言

     Chroma是一个开源的AI原生向量数据库，旨在帮助开发者更加便捷地构建大模型应用，将知识、事实和技能等文档整合进大型语言模型（LLM）中。它提供了简单易用的API，支持存储嵌入及其元数据、嵌入文档和查询、搜索嵌入等功能。主要有以下特点:

  • 轻量级：Chroma是一个基于向量检索库实现的轻量级向量数据库，不需要复杂的配置和大规模基础设施支持，非常适合小型或中型项目。

  • 易用性：提供简单的API，易于集成和使用。开发者可以快速上手，无需复杂的配置。

  • 功能丰富：支持存储嵌入及其元数据、嵌入文档和查询、搜索嵌入等功能。

  • 多语言支持：提供Python和JavaScript客户端SDK，社区还提供了其他语言的支持。

  • 开源：采用Apache 2.0开源许可，社区活跃，不断推动其更新与发展。

二、相关概念

1、数据的组织组件

  • 多租户（Tenant）

租户是数据库的逻辑分组，用于模拟一个组织或用户。一个租户可以拥有多个数据库。

  • 集合(Collection)

   集合是嵌入向量、文档和元数据的分组机制，是存储嵌入、文档和任何附加元数据的地方。类似于传统数据库的表。

文档(Document)

 文档是向量化前的原始的文本块。需要注意的是，它并不是文件。

  • 元数据(MetaData)

   元数据是用来描述文档的相关属性，它是一对kv的键值对，支持String，boolean，int，float类型。

2、存储组件

  • SQLite数据库

    在Chroma单节点模式下，所有关于租户、数据库、集合和文档的数据都存储在一个SQLite数据库中。SQLite作为一个轻量级的关系型数据库，能够为Chroma提供稳定的数据存储基础。

3、查询处理组件

  • 嵌入函数(Embedding Function)

也称为嵌入模型，提供统一的api接口，将原始的文本转化为向量，chroma支持多种大模型嵌入，比如openai，grmini等，默认为all-MiniLM-L6-v2。

  • 距离函数（Distance Function）l

​​​​​​      用于计算两个嵌入向量之间的差异（距离）。Chroma支持余弦相似度、欧几里得距离（L2）和内积（IP）等距离函数。在查询过程中，Chroma会根据选定的距离度量，将输入向量与存储的向量进行比较，并返回最相似的向量。

三、基本操作

1、安装chromadb库

以下都使用python进行实操演示

pip install chromadb

2、创建客户端

chroma支持三种客户端类型

(1)非持久化客户端

这种运行在内存中，一般用在对于数据不需要持久化的场景。比如调试，实验的场景。

import chromadb

client = chromadb.Client()

(2)持久化客户端

在创建的时候，可以配置本地的存储路径

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection")

(3)http模式

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。

import chromadb

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

本案采用持久化客户端模式进行演示。

3、创建collect

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。

这里使用get_or_create_collection方法进行创建，避免每次都创建新的集合。同时使用默认的嵌入模型。

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection2")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection2")

 创建完成后，可以看到本地的myCollection2文件下有个chroma.sqlite3的文件。

4、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
  • 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进行向量化。

写入如下数据，upsert表示如存在就更新，否则新写入数据。

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection2")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection2")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "This is a document about dog",
        "This is a document about oranges"
    ],
   metadatas=[{"chapter": "3", "verse": "16"}, {"chapter": "3", "verse": "5"}],
   ids=["id1", "id2"]
)

写入后可以到sqlite中查看相关的数据

5、 查询数据

(1)、向量查询

使用query实现向量相似度的查询。

  • query_texts，待查询的文本块

  • n_results，返回的结果的数，按照相似度从高到底，返回距离最近的TOP。

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection2")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection2")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "This is a document about dog",
        "This is a document about oranges"
    ],
   metadatas=[{"chapter": "3", "verse": "16"}, {"chapter": "3", "verse": "5"}],
   ids=["id1", "id2"]
);


results = collection.query(
    query_texts=["This is a query document about cat"], # Chroma will embed this for you
    n_results=2 # how many results to return
)

print(results)

打印的结果如下

{'ids': [['id1', 'id2']], 'embeddings': None, 'documents': [['This is a document about dog', 'This is a document about oranges']], 'uris': None, 'data': None, 'metadatas': [[{'chapter': '3', 'verse': '16'}, {'chapter': '3', 'verse': '5'}]], 'distances': [[0.9647536639619662, 1.4269337554105601]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

可以看到第一条的相似度最高。

(2)元数据过滤

chroma还支持元数据的过滤，比如我要在元数据verse为5的结果中查询相似度最高的。

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection2")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection2")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "This is a document about dog",
        "This is a document about oranges"
    ],
   metadatas=[{"chapter": "3", "verse": "16"}, {"chapter": "3", "verse": "5"}],
   ids=["id1", "id2"]
);


results = collection.query(
    query_texts=["This is a query document about cat"], # Chroma will embed this for you
    n_results=2 ,# how many results to return
    where={
        "verse": {
        "$eq": "5"
    }
    }
)

print(results)

查询的结果如下：：

{'ids': [['id2']], 'embeddings': None, 'documents': [['This is a document about oranges']], 'uris': None, 'data': None, 'metadatas': [[{'chapter': '3', 'verse': '5'}]], 'distances': [[1.4269337554105601]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

由于仅id为id2的数据匹配这一过滤条件，这里仅返回的该条数据。

(3)全文搜索

chroma支持文档的全文检索，比如再包含apple的document中查询相似度最高的数据。

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/myCollection2")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection2")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "This is a document about dog",
        "This is a document about oranges"
    ],
   metadatas=[{"chapter": "3", "verse": "16"}, {"chapter": "3", "verse": "5"}],
   ids=["id1", "id2"]
);


results = collection.query(
    query_texts=["This is a query document about cat"], # Chroma will embed this for you
    n_results=2 ,# how many results to return
    where_document={"$contains":"apple"}
)

print(results)

查询结果如下：

{'ids': [[]], 'embeddings': None, 'documents': [[]], 'uris': None, 'data': None, 'metadatas': [[]], 'distances': [[]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

由于没有文档包含"apple"字符，所以检索的结果为空。

四、案例实践

   下面我们将从中国诗词中选取20个短句的向量作为输入，再挑选一句作为查询语句，验证下向量化以及检索的效果。

挑选的输入诗词如下(使用kimi挑选)：

  1. 海内存知己，天涯若比邻。（王勃《送杜少府之任蜀州》）

  2. 大漠孤烟直，长河落日圆。（王维《使至塞上》）

  3. 春眠不觉晓，处处闻啼鸟。（孟浩然《春晓》）

  4. 会当凌绝顶，一览众山小。（杜甫《望岳》）

  5. 海上生明月，天涯共此时。（张九龄《望月怀远》）

  6. 举头望明月，低头思故乡。（李白《静夜思》）

  7. 山重水复疑无路，柳暗花明又一村。（陆游《游山西村》）

  8. 不识庐山真面目，只缘身在此山中。（苏轼《题西林壁》）

  9. 采菊东篱下，悠然见南山。（陶渊明《饮酒》）

  10. 谁言寸草心，报得三春晖。（孟郊《游子吟》）

  11. 忽如一夜春风来，千树万树梨花开。（岑参《白雪歌送武判官归京》）

  12. 落霞与孤鹜齐飞，秋水共长天一色。（王勃《滕王阁序》）

  13. 青山遮不住，毕竟东流去。（辛弃疾《菩萨蛮·书江西造口壁》）

  14. 春江潮水连海平，海上明月共潮生。（张若虚《春江花月夜》）

  15. 两岸猿声啼不住，轻舟已过万重山。（李白《早发白帝城》）

  16. 问渠那得清如许？为有源头活水来。（朱熹《观书有感》）

  17. 竹外桃花三两枝，春江水暖鸭先知。（苏轼《惠崇春江晚景》）

  18. 身无彩凤双飞翼，心有灵犀一点通。（李商隐《无题》）

  19. 众里寻他千百度，蓦然回首，那人却在，灯火阑珊处。（辛弃疾《青玉案·元夕》）

  20. 莫愁前路无知己，天下谁人不识君。（高适《别董大》）

待查询的语句：

明月几时有，把酒问青天

代码如下

import chromadb
chroma_client = chromadb.PersistentClient(path="/chroma/shici")
# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="shici")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "海内存知己，天涯若比邻",
        "大漠孤烟直，长河落日圆",
        "春眠不觉晓，处处闻啼鸟",
        "会当凌绝顶，一览众山小",
        "海上生明月，天涯共此时",
        "举头望明月，低头思故乡",
        "山重水复疑无路，柳暗花明又一村",
        "不识庐山真面目，只缘身在此山中",
        "采菊东篱下，悠然见南山",
        "谁言寸草心，报得三春晖",
        "忽如一夜春风来，千树万树梨花开",
        "落霞与孤鹜齐飞，秋水共长天一色",
        "青山遮不住，毕竟东流去",
        "春江潮水连海平，海上明月共潮生",
        "两岸猿声啼不住，轻舟已过万重山",
        "问渠那得清如许？为有源头活水来",
        "竹外桃花三两枝，春江水暖鸭先知",
        "身无彩凤双飞翼，心有灵犀一点通",
        "众里寻他千百度，蓦然回首，那人却在，灯火阑珊处",
        "莫愁前路无知己，天下谁人不识君"
    ],
   ids=["id1", "id2", "id3", "id4", "id5", "id6", "id7", "id8", "id9", "id10", "id11", "id12", "id13", "id14", "id15", "id16", "id17", "id18", "id19", "id20"]
);

results = collection.query(
    query_texts=["明月几时有，把酒问青天"], # Chroma will embed this for you
    n_results=5 # how many results to return
    # where_document={"$contains":"apple"}
)

print(results)

打印的结果

{'ids': [['id6', 'id5', 'id13', 'id1', 'id20']], 'embeddings': None, 'documents': [['举头望明月，低头思故乡', '海上生明月，天涯共此时', '青山遮不住，毕竟东流去', '海内存知己，天涯若比邻', '莫愁前 
路无知己，天下谁人不识君']], 'uris': None, 'data': None, 'metadatas': [[None, None, None, None, None]], 'distances': [[0.4827560689814884, 0.5092440264675281, 0.5768293567797822, 0.5936621113091055, 0.5975973195463598]], 'included': [<IncludeEnum.distances: 'distances'>, <IncludeEnum.documents: 'documents'>, <IncludeEnum.metadatas: 'metadatas'>]}

可以看出，前两名都是与月亮有关，也是表达思念之前。总体效果还不错。。

五、总结

  本文介绍了chromadb的相关概念，以及创建数据库，向量新增和查询等基本操作。并通过案例实践演示了检索效果。

 附件

向量数据库技术系列一-基本原理

向量数据库技术系列二-Milvus介绍

向量数据库技术系列三-Chroma介绍

向量数据库技术系列四-FAISS介绍

向量数据库技术系列五-Weaviate介绍

恰恰虎
关注
向量数据库chroma教程
Cachel Wood的博客
04-27 1058
向量数据库其实最早在传统的人工智能和机器学习场景中就有所应用。在大模型兴起后，由于目前大模型的token数限制，很多开发者倾向于将数据量庞大的知识、新闻、文献、语料等先通过嵌入（embedding）算法转变为向量数据，然后存储在Chroma等向量数据库中。当用户在大模型输入问题后，将问题本身也embedding，转化为向量，在向量数据库中查找与之最匹配的相关知识，组成大模型的上下文，将其输入给大模型，最终返回大模型处理后的文本给用户。
向量数据库Chroma极简教程
lingqu＋wx bjmsb06
12-30 3742
目前向量数据库在AI中的应用越来越重要，但很多厂商更倾向于将向量数据库隐藏在产品内部，用户感知不到很多向量数据库的使用细节。但大模型的学习终究是建立在开源代码之上的，学习Chroma可以让我们快速了解向量数据库的基本原理，也有利于我们未来更好地理解大模型。
一文带你精通ChromaDB --chroma官网 翻译优化！
最新发布
AI Agent 首席体验官
04-09 770
Chroma不直接存储文本数据，而是存储文本的向量表示。每个向量都与原始文本（或文档）绑定，通过嵌入模型（如 BERT、GPT 等）转换得到。当查询发生时，查询文本会被转换为向量，并通过向量相似度检索找到与之最相似的文本数据。最终返回的结果是原始文本，而非向量本身。这样，虽然 Chroma 处理的是向量，但通过将向量与文本绑定，确保了最终可以返回人类可读的文本数据。您可以创建自己的嵌入函数，只需实现协议。# 实现嵌入过程。
【AI 大模型】RAG 检索增强生成 ⑤ ( 向量数据库 | 向量数据库 索引结构和搜索算法 | 常见 向量数据库 对比 | 安装并使用 向量数据库 chromadb 案例 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
03-02 3446
一、向量数据库 1、向量数据库引入 2、向量数据库简介 3、向量数据库 索引结构和搜索算法 4、向量数据库 应用场景 5、传统数据库 与 向量数据库 对比 二、常见 向量数据库 对比 三、向量数据库 案例 1、安装 向量数据库 chromadb 2、核心要点 解析 ① 创建数据库实例 ② 创建数据库表 ③ 向 向量数据库表 中 插入文本向量 ④ 从 向量数据库表 中查询 相似数据 3、完整代码示例
开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate
deephub
04-25 8493
向量数据库是一种将数据存储为高维向量的数据库，高维向量是特征或属性的数学表示。每个向量都有一定数量的维度，根据数据的复杂性和粒度，可以从数十到数千不等。向量通常是通过对原始数据(如文本、图像、音频、视频等)应用某种转换或嵌入函数来生成的。嵌入函数可以基于各种方法，如机器学习模型、词嵌入和特征提取算法。向量数据库的主要优点是，它允许基于数据的向量距离或相似性进行快速和准确的相似性搜索和检索。
向量数据库：Chroma
m0_37559973的博客
05-11 5633
Chroma是一个开源的嵌入式数据库。Chroma通过使知识(knowledge)、事实(facts)和技能(skills)可插拔，从而简化了大型语言模型（LLM）应用程序的构建。
Chroma向量数据库
新缸中之脑
05-10 1万+
嵌入向量（vector embedding）是表示任何类型数据的 A.I 原生方式，使它们非常适合与各种 A.I 驱动的工具和算法一起使用。它们可以表示文本、图像，很快还可以表示音频和视频。有许多创建嵌入的选项，无论是在本地使用已安装的库，还是通过调用 API。推荐：用快速搭建可编程3D场景。Chroma 是一个用于构建带有嵌入向量的 AI 应用程序的数据库。它内置了入门所需的一切，并可在你的机器上运行。托管版本即将推出！
Chroma 向量数据入门
小森的博客
09-26 1993
Chroma 使知识、事实和技能可插入 LLM，从而可以轻松构建 LLM 应用程序。。Chroma 使知识、事实和技能可插入 LLM，从而可以轻松构建 LLM 应用程序。Chroma是一个文档检索系统，它存储了一组文档以及它们相应的嵌入向量。当接收到嵌入向量后，Chroma会根据其内部的索引结构快速查找最相关的文档。
向量数据库Chroma初步了解学习记录
龙井茶的Sky
04-12 6771
大模型很强大，但是大模型也存在知识的局限性，即大模型的知识受限于大模型训练日期，大模型的知识是有截止日期的，不是实时的；再一个有些数据是私有的，大模型也无从知晓。那么RAG就有了用武之地。而Rag这块就不得不提到向量数据库。虽然传统数据库也可以进行数据查询检索，但是传统数据库是基于关键词，是没有语义理解的。而向量数据库可以进行语义理解，本质上其实是将语言文字做了向量化，即语义空间，语义相近的向量信息也接近。向量数据库目前也有很多产品，入门简单的首推Chroma，今天就介绍下一、Chroma是什么？
VDB之Chroma：Chroma/chromadb(一款优秀的向量数据库)的简介、安装、使用方法之详细攻略
热门推荐
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-13 1万+
​ VDB之Chroma：Chroma/chromadb(一款优秀的向量数据库)的简介、安装、使用方法之详细攻略 目录 相关文章 chroma的简介 chroma的安装 chroma的使用方法 相关文章 DB之VDB：向量数据库（Vector Database）的简介、常用库、使用方法之详细攻略 https://yunyaniu.blog.csdn.net/article/details/129106195 chroma的简介 2023年4月，Chroma获得1800
【Spring AI】05. 向量数据库-Chroma
u011046509的博客
04-29 3156
Chroma 是开源的嵌入向量数据库。它提供了文档嵌入向量、内容和元数据存储，并配备了通过这些嵌入向量进行搜索的工具，包括元数据过滤。
向量数据库（Chroma）
weixin_43156294的博客
02-16 830
Chroma 由计算机科学家和机器学习工程师创立，是一个相对较新的开源向量数据库项目。其发展目标是为开发者提供一个简单、高效且易于集成的向量数据库解决方案，以满足日益增长的人工智能和机器学习应用对向量数据存储和检索的需求。自推出以来，凭借其易用性和良好的性能，在开源社区中逐渐获得了一定的关注和认可，持续进行功能更新和性能优化。
开源向量数据库性能对比: Milvus, Chroma, Qdrant
ZILLIZ
10-18 4925
01.前言为应对公司在大规模文本、图像等非结构化数据处理上的业务增长需求，笔者着手调研当前流行的开源向量数据库。主要针对查询速度、并发度和召回率这几大核心维度进行深入分析，以确保选定的数据库方案能够在实际业务场景中高效应对大规模数据检索和高并发需求。通过全面对比不同数据库的表现，得出可靠的调研结论。笔者首先在墨天轮排行榜中查看了国产向量数据库的排行情况。前三名分别是 Milvus、TensorDB...
打造专属AI聊天机器人：ServBay、Python与ChromaDB本地部署全攻略
Sammyyyyy的博客
03-14 998
想要打造专属AI聊天机器人，看这篇就够了，一步步教给你
向量数据库Chroma教程
xzq_qzx_的博客
03-05 1643
随着大模型的崛起，数据的海洋愈发浩渺无垠。受限于token的数量，无数的开发者们如同勇敢的航海家，开始在茫茫数据之海中探寻新的路径。他们选择了将浩如烟海的知识、新闻、文献、语料等，通过嵌入算法（embedding）的神秘力量，转化为向量数据，存储在神秘的Chroma向量数据库中。每当用户在大模型的界面上输入一个问题，这个问题也会如同被施了魔法一般，被转化为向量，然后在向量数据库中寻找与之最匹配的相关知识。这些知识如同宝藏一般，被精心组合成大模型的上下文，为其提供了丰富的思考背景。这种方式不仅削减了大模型的计
向量数据库Chroma学习记录
深度学习机器
04-13 2340
Chroma是一款AI开源向量数据库，用于快速构建基于LLM的应用，支持Python和Javascript语言。具备轻量化、快速安装等特点，可与Langchain、LlamaIndex等知名LLM框架组合使用。
【向量数据库】chroma 向量数据库使用教程
扶着老奶奶闯红灯
02-07 2256
Chroma 是一个面向 AI 的开源嵌入式向量数据库，由 Ariel Kennan 和 Jack Altman 创立的两组不同人马合并而成。Chroma 提供了两个版本：免费的开源嵌入式版本和付费的托管和企业版本。
chroma向量数据库
01-13
### Chroma 向量数据库介绍 Chroma 是一个专门用于管理和操作嵌入数据的向量数据库。这种类型的数据库特别适合于那些依赖大量高维数据表示的应用程序，比如自然语言处理中的语义相似度计算、图像识别等领域。通过高效地存储和索引这些复杂的特征向量，Chroma 可以为机器学习模型提供快速准确的数据访问能力[^2]。 ### 安装 Chroma 和创建环境 为了开始使用 Chroma 数据库，在本地计算机上设置一个新的 Python 虚拟环境是非常推荐的做法。这可以通过 Conda 来完成： ```bash conda create --name chromadb python=3.11 ``` 激活新创建的虚拟环境之后，可以继续按照官方文档或其他资源来安装 Chroma 库及其依赖项[^1]。 ### 使用 Chroma 进行数据存储与检索 一旦完成了必要的软件包安装工作，就可以着手准备实际应用了。下面是一些基本的操作指南： #### 初始化客户端连接 首先需要导入 `chromadb` 并初始化客户端实例以便后续调用其 API 函数： ```python import chromadb client = chromadb.Client() ``` #### 构建集合对象 接着定义一个或多个集合 (Collection)，每个集合代表一组具有相同结构特点的记录条目。对于每一条记录而言，则由 ID 字符串以及对应的数值型特征数组构成： ```python collection_name = "example_collection" dimensionality = 768 # 假设我们正在使用的预训练模型输出的是 768 维度的向量 try: collection = client.get_or_create_collection( name=collection_name, metadata={"hnsw:space": "cosine", "dim": dimensionality} ) except Exception as e: print(f"Failed to get or create collection {e}") ``` #### 插入数据到集合中 有了上述准备工作以后，现在可以把新的数据点加入指定的集合里去。这里假设已经有了预先计算好的一批向量列表 ready_to_add_vectors[]: ```python ready_to_add_ids = ["id_{}".format(i) for i in range(len(ready_to_add_vectors))] collection.add(ids=ready_to_add_ids, vectors=ready_to_add_vectors) ``` #### 查询最接近给定查询向量的结果集 最后一步就是执行基于内容的近似最近邻搜索任务啦！只需要传递目标查询向量 query_vector 即可获得 top_k 个匹配项： ```python results = collection.query(query_embeddings=[query_vector], n_results=top_k) for result_id, distance in zip(results['ids'][0], results['distances'][0]): print(f"ID:{result_id}, Distance from Query Vector:{distance}") ``` 以上便是有关 Chroma 向量数据库的一些基础概念和技术细节说明。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值