- 综合排序
- 最热优先
- 最新优先
- 来自专栏xiaosen
Chroma 向量数据入门
Chroma 是 AI 原生的开源矢量数据库。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 AI 原生的开源矢量数据库。 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。 尝试 import chromadb chroma_client = chromadb.Client() collection = chroma_client.create_collection(name 也可以通过docker下载chroma： docker pull chroma/chroma # 拉取 ChromaDB 镜像 docker run -p 8000:8000 chroma/chroma client.reset() 重置数据库 在客户端-服务器模式下运行Chroma Chroma 客户端连接到在单独进程中运行的 Chroma 服务器。
95810编辑于 2024-09-27 - 来自专栏悟空被FFmpeg玩
使用FFmpeg实现抠图合并功能（chroma key）
在很多视频中可以看到图像是合成的，例如有些神剧里面某大侠跳下万丈深渊的场景，某人在三昧真火中被烧的场景，还有些游戏主播，体育主播在主场景前面有个人解说的场景，都是chroma key的技术实现的，具体的链接可以参考 ： http://www.cs.utah.edu/~michael/chroma/ 效果图如下： ? 在最新版本的ffmpeg中，已经增加了chroma key功能的filter，只需要一条命令即可搞定 点击(此处)折叠或打开 .
2.5K20发布于 2019-03-05 - 来自专栏码匠的流水账
langchain4j+Chroma小试牛刀
序本文主要研究一下如何使用langchain4j对接Chroma向量数据库步骤安装Chromadocker run -d \ --name chromadb \ -p 8000:8000 \ -v "$(pwd)/chroma_data:/chroma/chroma" \ -e IS_PERSISTENT=TRUE \ -e ANONYMIZED_TELEMETRY=TRUE \ docker .1ms.run/chromadb/chroma:latestpom.xml <dependency> <groupId>dev.langchain4j</groupId 模块用于访问Chroma。 需要注意的是Chroma无法根据字母数字元数据的大于或小于进行过滤，仅支持整数和浮点数。
63500编辑于 2025-03-05 - 来自专栏后端技术漫谈
向量数据库Chroma极简教程
由于大模型的火热，现在市面上的向量数据库众多，主流的向量数据库对比如下所示： 向量数据库 URL GitHub Star Language chroma https://github.com/chroma-core 的使用和实战，主要包括以下内容： Chroma设计理念 Chroma常见概念（数据集，文档，存储，查询，条件过滤） Chroma快速上手 Chroma支持的Embeddings算法 实战：在Langchain 中使用Chroma对中国古典四大名著进行相似性查询 Chroma快速上手 设计理念 Chroma的目标是帮助用户更加便捷地构建大模型应用，更加轻松的将知识（knowledge）、事实（facts）和技能 Demo： import chromadb chroma_client = chromadb.Client() collection = chroma_client.create_collection 此外，Chroma还支持服务端，客户端模式，用于跨进程通信。
3.4K31编辑于 2023-11-08 - 来自专栏智汇编程工坊
Chroma数据库：使用指南与实践案例
未来，Chroma 的开发者们计划继续改进和优化 Chroma，以满足用户不断增长的需求。 Python HTTP-only 客户端：Chroma 提供了一个轻量级的客户端库，使得用户无需安装完整的 Chroma 库就可以连接到 Chroma 服务器。 如何使用 Chroma？接下来，我们将一起探索如何使用 Chroma。我将会以一个简单的例子来说明如何使用 Chroma 的各种功能。 初始化 Chroma 客户端首先，我们需要初始化 Chroma 客户端。 启动 Chroma 服务器接下来，我们可以启动 Chroma 服务器。
10K31编辑于 2024-04-11 - 来自专栏DeepHub IMBA
开源向量数据库比较：Chroma, Milvus, Faiss,Weaviate
Chroma 向量数据库 Chroma 是一种专门设计用来高效管理和查询向量数据的数据库系统。Chroma 通过其高效的数据结构和算法优化，能够快速处理和检索大量的向量数据。 以下是 Chroma 向量数据库的一些主要特点： 高效的向量索引：Chroma 使用高效的索引结构，如倒排索引、KD-树或基于图的索引，以加快向量搜索速度。 可扩展性和弹性：Chroma 能够支持水平扩展，适应大规模数据集的需要。同时，它也能有效处理数据的动态变化，适应快速发展的存储需求。 易于集成和使用：Chroma 设计有易于使用的API接口，支持多种编程语言接入，便于开发者在不同的系统和应用中集成使用。 实时性能优化：Chroma 优化了查询处理过程，支持实时的数据查询和更新，满足实时分析和决策的需求。
39.4K41编辑于 2024-04-25 最近发现一个宝藏-Chroma Walnut UI
背景最近在使用Chroma向量数据库时发现命令行比较麻烦，有几个待选项：1：Chroma官方自带的SwaggerUI。也不是很方便，每一个API都是单独调用。 使用方法展开代码语言：TXTAI代码解释1.克隆项目gitclonehttps://github.com/deepin_sir/chroma-walnut-ui.gitcdchroma-walnut-ui2
10510编辑于 2026-05-04- 来自专栏云云众生s
Chroma 初探：面向 LLM 的开源向量数据库
Chroma 初探：面向 LLM 的开源向量数据库 Chroma 是一个开源的嵌入式数据库，通过使知识、事实和技能可以插入到 LLM 中，从而轻松构建 LLM 应用程序。这里可以了解它的工作原理。 在本文中，我们将更详细地介绍 Chroma ，一个轻量级的开源向量数据库。 Chroma 概述 Chroma 可用于 Python 或 JavaScript 代码以生成词嵌入。 现在，让我们来看看 Chroma 向量数据库的运作方式。 通过 Python 使用 Chroma 使用 Chroma 的第一步是通过 pip 安装。 chroma_client = chromadb.PersistentClient(path="/path/to/save/to") Chroma 将一组相关内容称为一个集合（collection）。 由于我们依赖于 Chroma 提供的内置词嵌入模型，所以我们只会摄取数据，并让 Chroma 自动为集合中的每个文档生成嵌入。 我们可以继续创建一个集合。
2.4K10编辑于 2024-03-27 - 来自专栏自然语言处理
【RAG落地利器】向量数据库Chroma入门教程
/volumes/index_data:/chroma/chroma -e IS_PERSISTENT=TRUE -e ANONYMIZED_TELEMETRY=TRUE chromadb/chroma :0.6.4.dev19 其中-v H:/Projects/chroma/volumes/index_data:/chroma/chroma代表将本地的目录映射到容器的数据存储目录。 Chroma的核心特点 Chroma 是一个开源的向量数据库，专注于简化文本嵌入的存储和检索过程。 Chroma的设计理念 Chroma的设计目标是为开发者提供一种简单、高效的工具，帮助他们将现实世界中的知识、事实和技能整合到大模型中。 使用和服务端docker部署 ChromaDB教程 Chroma向量数据库完全手册 向量数据库Chroma极简教程 Python Chromadb 向量数据库快速入门 Chroma向量数据库使用教程
10.1K01编辑于 2025-01-23 - 来自专栏云云众生s
教程：使用 Chroma 和 OpenAI 构建自定义问答机器人
教程：使用 Chroma 和 OpenAI 构建自定义问答机器人 翻译自 Tutorial: Use Chroma and OpenAI to Build a Custom Q&A Bot 。 我们将用一个查询替换掉该函数，以在Chroma中搜索存储的集合。 为了完整起见，我们将开始设置环境并准备数据集。这与本教程中提到的步骤相同。 让我们将 Pandas dataframe 中的文本列转换为可以传递给 Chroma 的 Python 列表。 由于 Chroma 中存储的每个文档还需要字符串格式的 ID ，所以我们将 dataframe 的索引列转换为字符串列表。 本教程演示了如何利用诸如 Chroma 之类的向量数据库来实现检索增强生成(RAG)，以通过额外的上下文增强提示。
1.2K10编辑于 2024-03-27 - 来自专栏自然语言处理
【RAG落地利器】Weaviate、Milvus、Qdrant 和 Chroma 向量数据库对比
关键特性： 按相关分数过滤 单次请求负载多个搜索操作 推荐API 分组操作 全文过滤器搜索 前缀搜索和语义即时搜索 Chroma 简介：Chroma 是一个专门设计用来高效管理和查询向量数据的数据库系统 Chroma 目前不支持分布式架构，适合单机或小规模部署。 5. Chroma 适合快速开发和轻量级应用。 6. Chroma 目前主要支持 Python，适合 Python 开发者。 7. Qdrant 和 Chroma 则适合资源受限或快速开发的项目。
5.1K13编辑于 2025-01-23 向量数据库选型：从Chroma到Milvus，企业场景怎么选
五、分阶段选型建议阶段一：POC验证期（0-1个月）使用Chroma。快速验证RAG效果，不用在生产环境花太多时间。数据量小、并发低、部署简单，Chroma完全够用。 当文档量超过5万份、并发用户超过10人时，Chroma的性能瓶颈会开始显现。Qdrant的Docker部署方式成熟，单机版可以支撑百万级向量，运维成本可控。 10万条向量以下的场景，用Chroma或Qdrant更轻量。坑二：选型后才发现不支持过滤很多场景需要在检索时按条件过滤（时间、类别、部门）。 Chroma的过滤能力较弱，Qdrant和Milvus支持更好。坑三：忽视向量维度的影响不同的Embedding模型输出不同维度的向量（768d、1024d、1536d）。 开发测试 → Chroma小规模生产 → Qdrant（或PGVector）大规模生产 → Milvus不想自己运维 → 云托管从Chroma开始，在Qdrant上规模化，到Milvus进阶。
38210编辑于 2026-05-06- 来自专栏DeepHub IMBA
向量数据库对比：Pinecone、Chroma、Weaviate 的架构与适用场景
三种选择：Pinecone 用于生产级规模，Chroma 用于本地原型开发，Weaviate 用于混合搜索。 Chroma：从原型开发开始 Chroma 开源，通过 pip install chromadb 安装，支持本地内存运行或持久化到磁盘，5 分钟内即可搭建一个可用的向量存储。 ids=['id1','id2']) # 查询 results = collection.query(query_texts=['your question'], n_results=5) 但是Chroma Chroma没有悬念。pip 安装，本地运行，零配置，免费。 先用 Chroma 搭建第一个 RAG 系统，日后需要扩展至生产环境，迁移到 Pinecone 或 Weaviate 只需几小时——前提是接口足够干净。
51710编辑于 2026-04-15 - 来自专栏福大大架构师每日一题
chroma 1.0.5 来了！新增图像嵌入支持、日志优化，开发者必看更新
引言： Chroma 团队近日正式发布了1.0.5 版本，带来了多项性能优化、BUG 修复和新功能增强！无论是垃圾回收机制、日志系统，还是 WAL3 的回归，本次更新都让 Chroma 更加稳定高效。 升级建议 如果你是 Chroma 用户，强烈建议升级到1.0.5版本，以获得更好的性能和稳定性！ 升级方式： pip install --upgrade chromadb 结语 Chroma 1.0.5 是一次重要的迭代更新，不仅修复了关键问题，还大幅提升了性能和开发者体验。
46910编辑于 2025-04-22 - 来自专栏福大大架构师每日一题
langserve v0.3.2 更新详解：依赖升级、Python版本调整与Chroma导入优化
Chroma 导入方式优化 在以下两个示例服务器文件中，Chroma 的导入路径由旧版本的 langchain_community.vectorstores.chroma 更新为新版本的 langchain_chroma server.py • examples/auth/per_req_config_modifier/server.py 修改前： . from langchain_community.vectorstores.chroma import Chroma 修改后： . from langchain_chroma import Chroma 此更改能够提升未来版本兼容性，减少运行时警告。 Chroma 导入路径调整，避免弃用警告。 3. CI 移除 Python 3.8 支持，最低版本提升至 3.9。 4. 贡献者配置文件更新，完善 CLA 流程。 5.
13810编辑于 2025-12-18 - 来自专栏AI大模型应用开发炼丹房
手把手实战：用Chroma+Docker搭建生产级RAG知识库
norm1, norm2)ps：关于RAG检索增强技术文档，由于文章篇幅有限，我这边整理成了一份2W字技术文档，自行领取《检索增强生成（RAG）》五、向量数据库选型：五大维度对比选型建议：初创项目 → Chroma （轻量级本地部署）企业生产 → Milvus（分布式+高吞吐）云原生方案 → DashVector（免运维）六、Chroma实战：从部署到查询6.1 Docker生产环境部署# 启动带持久化的Chroma 服务docker run -d \ --name chromadb \ -p 8000:8000 \ -v /data/chroma:/data \ chromadb/chroma:latest \ chroma run --path /data6.2 Python客户端操作全流程import chromadbfrom chromadb.utils.embedding_functions import query, candidates)生成阶段：提示工程注入检索置信度：请基于以下内容（可信度{score}）回答问题：{context}7.2 性能监控看板注：所有代码测试环境 Python 3.10 + Chroma
1.5K10编辑于 2025-07-16 - 来自专栏福大大架构师每日一题
独家解析Chroma 0.6.3：异步限流、Go并发支持，你的AI应用该升级了！
引言： “从HNSW内存泄漏修复到分布式多租户支持，Chroma 0.6.3 版本堪称「Bug杀手」！” 作为AI领域最热门的向量数据库之一，Chroma此次更新虽是小版本迭代，却暗藏多项性能炸弹——无论是开发者痛点的UniqueConstraintError兼容性问题，还是Cohere嵌入函数的API适配 ——后端架构师 升级命令： # Docker用户 docker pull chromadb/chroma:0.6.3 # PIP用户 pip install chroma-0.6.3.tar.gz 避坑指南 结语： 这次更新堪称Chroma的“性能分水岭”，无论是AI应用开发者还是企业运维团队，升级后都能感受“飞一般”的体验！你在使用Chroma时遇到过哪些坑？ 引用链接 [1] 点击查看: https://github.com/chroma-core/chroma/releases/tag/0.6.3 [2] Chroma 0.6.3新特性: https://
53720编辑于 2025-03-27 - 来自专栏前端专精
从模糊搜索到语义搜索的进化之路——探索 Chroma 在大模型中的应用价值
2、Chroma 语义搜索的原理 Chroma 语义搜索基于向量嵌入技术，将文本或查询映射到多维向量空间，以下是其基本实现原理： 文本嵌入生成：Chroma 使用大模型将文本转化为嵌入向量 拓展到n维就是： （xi，yi代表空间两个点分别在 i 轴上的两个坐标） 三、如何在项目中应用 Chroma Chroma官方文档：Chroma Docs 1、Chroma 2、安装Chroma（python环境） 首先安装 Chroma 及其依赖的 NLP 模型，确保环境中可以运行预训练的大模型： pip install chroma pip install transformers 3、创建嵌入索引 将文本数据转化为向量并创建索引，这些向量将用于语义相似度的计算： from chroma import Chroma from transformers 3、Chroma 语义搜索与传统搜索的对比 比较维度 传统模糊搜索 Chroma 语义搜索 原理 关键词匹配，编辑距离算法 向量嵌入，语义相似性 理解能力 无法理解上下文 深度语义理解 性能 数据量大时性能下降
1.3K10编辑于 2025-01-22 - 来自专栏福大大架构师每日一题
chroma 1.0.4 重磅发布！全面优化GC系统+增强CLI集成，开发者体验再升级
Container Registry：ghcr.io/chroma-core/chroma:1.0.4 3. 四、社区互动与反馈 Chroma团队持续倾听开发者声音！ 如果你遇到问题或有新需求： • GitHub提交Issue：chroma-core/chroma[1] • 加入Discord社区：Chroma Discord[2] 结语 Chroma 1.0.4 引用链接 [1] chroma-core/chroma: https://github.com/chroma-core/chroma [2] Chroma Discord: https://discord.gg /chroma
47710编辑于 2025-04-13 - 来自专栏技术分享
Chroma 向量数据库：大规模高维向量数据处理的解决方案
随着大数据和人工智能技术的进一步发展，我们相信 Chroma 向量数据库的应用将会更加广泛。那么，Chroma 向量数据库有哪些主要特性和关键技术呢？ 以下是安装 Chroma 向量数据库的步骤：安装 Python：Chroma 是用 Python 编写的，所以首先需要在你的系统上安装 Python。 在终端中输入以下命令：pip3 install chroma验证安装：安装完成后，你可以通过运行以下命令来验证 Chroma 是否已经成功安装：python3 -c \"import chroma; print (chroma. __version__)\"如果一切顺利，这个命令将输出 Chroma 的版本号，这就意味着你已经成功安装了 Chroma。安装完 Chroma 后，你可能会想知道如何使用它来处理向量数据。
1.8K10编辑于 2024-04-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号