【LangChain】langchain.vectorstores.Chroma 迁移至 langchain_community.vectorstores.Chroma

于 2025-05-03 16:58:27 发布
阅读量1k 收藏 18
点赞数 19
分类专栏： LangChain 文章标签： langchain vectorstores Chroma langchain_commu LLM DeprecationWarn
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/u013172930/article/details/147684982
版权

代码中使用了 langchain.vectorstores.Chroma 来初始化 Chroma 向量存储，会触发 LangChainDeprecationWarning，提示该导入在 LangChain 0.2 中已被废弃。官方推荐使用 langchain_community.vectorstores.Chroma 替代。本文基于 LangChain 0.3.x，详细解释如何迁移 Chroma 的导入，并提供代码示例，展示 Chroma 在语义搜索场景中的典型用法。

代码废弃告警：
LangChainDeprecationWarning: Importing Chroma from langchain.vectorstores is deprecated. Please replace deprecated imports:
from langchain.vectorstores import Chroma
with new imports of:
rom langchain_community.vectorstores import Chroma
You can use the langchain cli to automatically upgrade many imports. Please see documentation here https://python.langchain.com/docs/versions/v0_2/
from langchain.vectorstores import Chroma ……

为什么需要迁移？

langchain.vectorstores.Chroma 是 LangChain 早期用于与 Chroma 向量数据库交互的类，但随着 LangChain 的模块化重构，向量存储相关的功能（包括 Chroma）已被移到独立的 langchain_community 包中。迁移的原因包括：

  1. 模块化：将社区维护的功能移到 langchain_community，保持 langchain-core 轻量。
  2. 维护性：langchain_community 由社区专门维护，更新更及时，支持最新 Chroma 功能。
  3. 长期支持：旧的 langchain.vectorstores.Chroma 在 LangChain 0.2 后废弃，将在未来版本移除。

新的 langchain_community.vectorstores.Chroma 提供与旧类相同的功能，但更稳定，并与 LangChain 0.3.x 的生态（如 LCEL、嵌入模型）兼容。

迁移步骤

以下是将 langchain.vectorstores.Chroma 迁移到 langchain_community.vectorstores.Chroma 的详细步骤，假设你使用 Chroma 进行语义搜索，结合 OpenAI 嵌入模型。

1. 分析原始代码

假设你的代码如下，使用 langchain.vectorstores.Chroma 创建向量存储：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 初始化嵌入模型
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# 准备文档
docs = [
    "人工智能（AI）是计算机科学的一个分支，专注于创建智能系统。",
    "机器学习是 AI 的子领域，涉及从数据中学习模型。"
]

# 创建向量存储
vectorstore = Chroma.from_texts(docs, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 1})

# 搜索相关文档
results = retriever.invoke("什么是人工智能？")
print(results[0].page_content)

输出示例：

人工智能（AI）是计算机科学的一个分支，专注于创建智能系统。

问题：

  • from langchain.vectorstores import Chroma 已废弃，需替换为 from langchain_community.vectorstores import Chroma。
  • 需要安装 langchain-community 和 chromadb 包。
  • 确保 OPENAI_API_KEY 有效，支持嵌入模型。
2. 安装必要依赖

确保安装 LangChain 0.3.x、langchain-community 和 Chroma 相关依赖：

pip install --upgrade langchain langchain-community langchain-openai chromadb

确认 Chroma 数据库可用（chromadb 提供 Chroma 的核心功能）。

3. 迁移到 langchain_community.vectorstores.Chroma

以下是迁移后的代码，替换 Chroma 的导入：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

# 初始化嵌入模型
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# 准备文档
docs = [
    "人工智能（AI）是计算机科学的一个分支，专注于创建智能系统。",
    "机器学习是 AI 的子领域，涉及从数据中学习模型。"
]

# 创建向量存储
vectorstore = Chroma.from_texts(docs, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 1})

# 搜索相关文档
results = retriever.invoke("什么是人工智能？")
print(results[0].page_content)

输出示例：

人工智能（AI）是计算机科学的一个分支，专注于创建智能系统。
代码说明
  1. OpenAI API 密钥：
    • 通过 os.environ["OPENAI_API_KEY"] 设置，替换为实际密钥。
    • 确保密钥支持嵌入模型（如 text-embedding-3-small）。
  2. 导入替换：
    • 将 from langchain.vectorstores import Chroma 替换为 from langchain_community.vectorstores import Chroma。
    • 功能保持不变，创建和管理向量存储。
  3. 嵌入模型：
    • 使用 langchain_openai.OpenAIEmbeddings 生成文档嵌入。
    • 指定 model="text-embedding-3-small"，更高效且成本低。
  4. 向量存储：
    • Chroma.from_texts 将文档转换为嵌入并存储。
    • as_retriever 创建检索器，k=1 返回最相关的一个文档。
  5. 调用：
    • retriever.invoke 执行语义搜索，返回匹配的文档。
4. 结合 LCEL 和 LLM（完整问答示例）

Chroma 常用于语义搜索后结合 LLM 生成回答。以下是一个完整示例，使用迁移后的 Chroma 和 LCEL 构建问答链：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 初始化嵌入模型和 LLM
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 准备文档
docs = [
    "人工智能（AI）是计算机科学的一个分支，专注于创建智能系统。",
    "机器学习是 AI 的子领域，涉及从数据中学习模型。",
    "深度学习是机器学习的一种，使用神经网络处理复杂任务。"
]

# 创建向量存储
vectorstore = Chroma.from_texts(docs, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手，根据以下上下文回答问题：\n{context}"),
    ("human", "{question}")
])

# 创建 LCEL 链
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 调用链
response = chain.invoke("什么是人工智能？")
print(response)

输出示例：

人工智能（AI）是计算机科学的一个分支，专注于创建能够执行需要人类智能的任务的系统，例如学习、推理和决策。
代码说明
  1. Chroma：
    • 使用 langchain_community.vectorstores.Chroma 创建向量存储。
    • retriever 搜索与查询最相关的 2 个文档（k=2）。
  2. LCEL 链：
    • RunnableParallel（通过字典 {"context": retriever, "question": RunnablePassthrough()}）并行处理检索和输入传递。
    • prompt | llm | StrOutputParser 生成基于上下文的回答。
  3. 调用：
    • 输入为字符串问题，输出为 LLM 生成的回答。
5. 自动迁移（可选）

LangChain 提供 CLI 工具自动升级废弃导入：

  1. 安装 LangChain CLI：
    pip install langchain-cli
  2. 运行迁移命令：
    langchain migrate
  3. 按提示扫描代码，工具会将 langchain.vectorstores.Chroma 替换为 langchain_community.vectorstores.Chroma。

注意：

  • 迁移工具可能无法处理复杂代码，建议手动验证。
  • 确保安装 langchain-community 以支持新导入。
6. 测试与验证
  • 依赖：
    • 确认已安装 langchain-community 和 chromadb（pip install chromadb）。
    • 验证 OPENAI_API_KEY 有效，支持嵌入模型。
  • 运行：
    • 测试向量存储创建，确认文档嵌入正确。
    • 测试语义搜索，验证检索和回答质量。
  • Chroma 配置：
    • 默认使用内存存储，生产环境可设置持久化路径：
      vectorstore = Chroma.from_texts(docs, embeddings, persist_directory="./chroma_db")

注意事项

  1. API 密钥安全：
    • 避免硬编码密钥，推荐使用 .env 文件：
      from dotenv import load_dotenv
load_dotenv()  # 加载 OPENAI_API_KEY
    • 确保密钥支持嵌入模型（检查 OpenAI 仪表板）。
  2. 嵌入模型选择：
    • text-embedding-3-small：1536 维，成本低，适合大多数场景。
    • text-embedding-3-large：3072 维，精度更高，成本更高。
    • text-embedding-ada-002：旧模型，仍广泛使用。
  3. Chroma 配置：
    • 默认内存模式适合测试，持久化需设置 persist_directory。
    • 支持其他向量存储（如 FAISS、Pinecone），可根据需求替换。
  4. 性能：
    • 嵌入生成速度依赖 API 调用，批量处理（from_texts）可提高效率。
    • Chroma 的搜索性能依赖文档数量和硬件。
  5. Ollama 替代：
    • 若想避免 OpenAI API 费用，可使用 langchain_ollama.OllamaEmbeddings：
      from langchain_ollama import OllamaEmbeddings
embeddings = OllamaEmbeddings(model="nomic-embed-text")

常见问题

Q1：可以继续使用 langchain.vectorstores.Chroma 吗？
A：可以，但不建议。它已废弃，迁移到 langchain_community.vectorstores.Chroma 更安全。

Q2：新旧 Chroma 功能有差异吗？
A：功能相同，仅导入路径变更，新类支持最新 Chroma 功能和 LangChain 0.3.x 生态。

Q3：如何选择向量存储？
A：Chroma 适合本地测试和中小规模数据，FAISS 适合高性能本地存储，Pinecone 适合云端大规模部署。

Q4：Chroma 支持持久化吗？
A：支持，通过 persist_directory 参数保存数据到磁盘，参考 Chroma 文档。

总结

从 langchain.vectorstores.Chroma 迁移到 langchain_community.vectorstores.Chroma 的步骤包括：

  1. 安装 langchain, langchain-community, langchain-openai, 和 chromadb。
  2. 替换导入：from langchain.vectorstores import Chroma 改为 from langchain_community.vectorstores import Chroma。
  3. 设置 OPENAI_API_KEY，确保支持嵌入模型。
  4. 使用 Chroma.from_texts 创建向量存储，结合 LCEL 和 LLM 实现语义搜索。
  5. 可选使用 LangChain CLI（langchain migrate）自动升级导入。
  6. 可选使用 langchain_ollama.OllamaEmbeddings 替代 OpenAI 嵌入。
【五.LangChain技术与应用】【13.LangChain与智普大模型接入：行业领先的AI整合】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
03-05 138
最近半年，我一直在跟几个创业团队合作搞AI落地项目，发现一个特别有意思的现象：现在企业想用大模型干点实事，最大的痛点反而不是模型本身的能力，而是怎么把模型"塞"进现有系统里，还要塞得优雅、塞得高效。LangChain+智普这个组合，相当于既给了你高性能发动机（智普），又配了全套变速箱和悬挂系统（LangChain），这才是能真正跑起来的解决方案。某在线教育客户的实际数据：经过调优后，单日处理10万+咨询量，平均响应时间1.2秒，错误率0.03%，运营成本比用其他方案低了45%。
怎样完成本地模型知识库检索问答RAG
最新发布
ZJQ的博客
04-15 181
怎样完成本地模型知识库检索问答RAG 使用密集检索器和系数检索器混合方式完成知识库相似检索 1. 导入必要的库 2. 加载文档 3. 文本分割 4. 初始化嵌入模型 5. 创建向量数据库 6. 初始化大语言模型 7. 构建问答链 8. 提出问题并检索相关文档 9. 合并检索结果并去重 10. 生成答案并提取关键信息 代码直接可运行
LangChain-v0.2文档翻译：2.7、教程-在SQL数据上构建一个问答系统
Hugo的博客
05-31 554
使大型语言模型（LLM）查询结构化数据与查询非结构化文本数据有质的不同。在后者中，通常生成可以针对向量数据库搜索的文本，而结构化数据的方法通常是让LLM编写并在DSL（例如SQL）中执行查询。在本指南中，我们将介绍在数据库中创建表格数据上的问答系统的基本方法。我们将涵盖使用链（chains）和代理（agents）的实现。这些系统将允许我们询问数据库中的数据并得到自然语言答案。两者之间的主要区别在于，我们的代理可以根据需要多次循环查询数据库以回答问题。
【RAG入门教程05】Langchian框架-Vector Stores
2301_81940605的博客
06-16 1094
在 Langchain 中，文档转换器是一种在将文档提供给其他 Langchain 组件之前对其进行处理的工具。通过清理、处理和转换文档，这些工具可确保 LLM 和其他 Langchain 组件以优化其性能的格式接收数据。
使用DashVector作为LangChain中的VectorStore插件
dgay_hua的博客
02-27 395
DashVector是一个支持高维稠密和稀疏向量的全托管向量数据库服务，支持实时插入和过滤搜索。它能够自动扩展并适应不同的应用需求。这使得DashVector在需要高效处理和搜索向量数据的应用中非常有价值，特别是在自然语言处理和推荐系统等领域。本篇文章将展示如何在LangChain生态系统中利用DashVector。主要内容包括DashVector的安装和配置，以及其作为VectorStore插件在LangChain中的使用。
【LangChain系列文章】4. 向量数据库Vector Stores
qq_29517595的博客
09-18 4501
向量数据库Vector Stores 和 embeddings介绍 及简单的使用
(七)、基于 LangChain 实现大模型应用程序开发 | 基于知识库的个性化问答 (向量数据库与词向量 Vectorstores and Embeddings)
weixin_43646592的博客
11-20 620
基于 LangChain 实现大模型应用程序开发 | 基于知识库的个性化问答 (向量数据库与词向量 Vectorstores and Embeddings)
用通俗易懂的方式讲解大模型：LangChain 知识库检索常见问题及解决方案
2301_78285120的博客
12-29 5175
本文介绍了 LangChain 打造知识库过程中遇到的文档检索问题以及解决方案，这也是在 Deeplearning 推出的关于 LangChain 最新短课程——《LangChain: Chat with Your Data》[2]中学到的，里面还讲解了更多关于知识库文档方面的实用技术，感兴趣的同学可以去 Deeplearning 官网了解一下。关注我，一起学习各种人工智能和 AIGC 新技术，欢迎交流，如果你有什么想问想说的，欢迎在评论区留言。
[掌握LangChain v0.2迁移：保持代码兼容性的指南]
ahdfwcevnhrtds的博客
11-27 339
迁移到LangChain v0.2.x可能需要一些时间和努力，但通过使用适当的工具和资源，你可以确保代码的兼容性和功能的稳定性。LangChain 官方文档LangChain 社区论坛。
LangChain 0.2.0版本重大更新：弃用和破坏性变更解析
ppoojjj的博客
08-13 2385
LangChain 0.2.0版本带来了重大的架构调整和API更新,旨在提供更清晰、一致和灵活的开发体验。与集成无关的核心设计代码包的重组统一的调用接口(invokeainvoke新的Agent构造方法仔细阅读官方文档和迁移指南使用LangChain提供的迁移脚本逐步更新代码,优先处理弃用警告熟悉新的API和最佳实践LangChain官方文档LangChain GitHub仓库LangChain Discord社区。
Obsidian与LangChain的完美结合：构建智能知识管理系统
qq_29929123的博客
08-25 1173
Obsidian是一款基于本地文件系统的知识管理软件。它使用Markdown格式存储笔记，支持双向链接、图谱视图、插件扩展等功能，使得用户可以轻松构建个人知识网络。将Obsidian与LangChain结合，为个人知识管理带来了无限可能。通过这种结合，我们可以构建智能化的笔记检索、自动摘要生成、知识图谱等高级功能，极大地提升知识管理和利用的效率。Obsidian官方文档LangChain文档向量数据库和语义搜索教程自然语言处理实战。
LangChain结合通义千问的自建知识库
热门推荐
一个学长的博客
02-02 1万+
在使用了通义千问API了之后，下一步就是构建知识库文档，使用了比较有名的LangChian，最后成果将自己的txt生成了知识向量库，最后我还把自己的论文生成了一个知识向量库，然后问他我的创新点是啥，实话实说比我总结的好，我想这下回老师要是看不懂我论文的时候能不能直接，嗯，对吧，反正也是工作中用到还挺有意思的，能分享的部分我都分享出来了，然后这个是接着通专栏的第一篇的延申文档。
LangChain 64 深入理解LangChain 表达式语言27 添加审查 Moderation LangChain Expression Language (LCEL)
AI架构师易筋
01-08 2635
这显示了如何在您的LLM应用程序周围添加审查（或其他保障措施）。代码实现运行输出需要安装老版本的 openai输出结果。
LangChain结合通义千问的自建知识库_langchain 通义千问(1)
2401_83946044的博客
04-07 1379
如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费。
解决LangChain构建知识向量库的过程中官方API无法自定义文本切割方式的问题-例如按行切分
一个学长的博客
03-12 2058
解决LangChain无法自定义导入知识向量库的文本切分方式的问题，提出了一种自定义的文本切分方法。
【2024最全最细LangChain教程-12】Agent智能体（一）
u013607702的博客
01-31 6294
有很多教程把Agent称为“代理”，我觉得这个翻译太没意思了，一来和Proxy很容易混淆，二来一点都不酷。之所以把Agent翻译成智能体，是因为Agent可以（在LLM推理分析的帮助下）可以自己识别、选择和使用工具，这个就是智能体的表现。人之所以能走上进化的道路，一来是发明了语言，二来是学会了使用工具。就这两点来看，把目前的Agent称为智能体一点也不为过。
Langchain运行报错踩坑记录
pumpkin84514的博客
03-30 1873
一、python环境。二、运行如下代码报错。
langchain使用
weixin_40566713的博客
10-08 931
【代码】langchain使用。
ChatGLM2+Langchain 构建本地知识库——构建本地知识库
weixin_56450431的博客
03-23 1596
ChatGLM2-6B 是开源中英双语对话模型ChatGLM-6B的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了更多新特性。
langchain_chroma import Chroma
08-02
`langchain_chroma`库中的`Chroma`类似乎是用于音乐分析或音频特征提取的工具，它可能与音调（chroma）分析有关。`Chroma`类允许你从音频信号中提取频谱信息并转换成基于12个基本音阶的颜色表示。 要导入并使用`Chroma`，首先确保已经安装了`langchain_chroma`库。如果你还没有安装，可以使用pip来安装： ```bash pip install langchain_chroma ``` 然后，在Python脚本中，你可以这样做： ```python from langchain_chroma import Chroma # 假设你有一个音频文件路径或numpy数组 audio_data = ... # 你的音频数据 # 创建Chroma对象 chroma_extractor = Chroma() # 对音频数据执行音调分析 chromagram = chroma_extractor(audio_data) # 可能会有一些进一步的处理，比如查看第一个时间步的音调分布 first_step_chroma = chromagram[:, 0] # 输出或保存结果 print(first_step_chroma) ``` 请注意，具体的用法可能会根据`langchain_chroma`的文档有所不同，建议查阅官方文档以获取最准确的使用说明。
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

打赏作者

彬彬侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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