Chroma

开源的向量数据库，面向 AI 应用提供嵌入式与云端两种部署方式，接口简洁易用，适合快速搭建 RAG。

它到底是干什么的

Chroma 是一个开源的向量数据库。向量数据库这个词听着唬人，说白了就是专门存“语义向量”的地方——你把文本、图片交给嵌入模型（embedding model）转成一串数字，Chroma 负责把这些数字存起来，并且在你提问时快速找出最相近的几条。大模型本身记不住你的私有文档，RAG（检索增强生成）的做法就是先去知识库里捞相关片段，再塞给模型当上下文。Chroma 干的就是“捞”这一环。

什么人该用它？想快速搭一个 RAG 原型的开发者，尤其是那些不想在数据库运维上耗时间的人。你不需要先研究索引调优、分片策略这些东西，几行代码就能跑起来。

两种用法，按需选

Chroma 提供嵌入式（embedded）和云端（cloud）两种部署方式，这个区分挺关键。

嵌入式模式下，Chroma 作为库直接跑在你的 Python 或 JavaScript 进程里，数据落在本地磁盘。没有独立服务要起，没有网络往返，适合本地开发、Notebook 实验、桌面应用。缺点是它跟着你的进程走，多实例共享数据得另想办法。

云端模式则是托管服务，数据在远端，通过 API 访问。适合要上线、要多端访问、或者团队协作的场景。你不用自己管服务器和备份。

两种模式共用同一套接口，原型跑通后迁移成本不高。

接口简洁是它最大的卖点

Chroma 的 API 设计走的是“少即是多”路线。创建集合（collection）、添加文档、查询，核心操作就这几个动作。你甚至不用自己算向量——它内置了默认的嵌入函数，传原始文本进去就行，省掉了先调嵌入模型再入库的步骤。当然，你也可以接入自己的嵌入模型，OpenAI、Cohere、Sentence Transformers 都支持。

查询支持按向量相似度检索，也能带元数据过滤，比如“只在某个来源的文档里找”。对于 RAG 场景里常见的“按文档类型或时间范围缩小检索面”，这个够用了。

适合谁，不适合谁

它适合快速验证想法：几十行代码搭出一个能回答私有文档问题的问答机器人，这是 Chroma 的典型用法。也适合中小规模的知识库检索，数据量在百万级以内、对延迟要求不苛刻的场景。

如果你要处理上亿向量、需要复杂的分布式部署和精细的权限控制，那得看更重的方案。Chroma 的定位就是“够用且好上手”，不是把所有企业级需求都塞进来。

开源这一点也值得提：代码在 GitHub 上，本地跑没有供应商锁定，出了问题能自己翻源码。对想搞清楚向量检索内部怎么运作的人，这也是个不错的起点。

常见问题

Chroma 是什么？

开源的向量数据库，面向 AI 应用提供嵌入式与云端两种部署方式，接口简洁易用，适合快速搭建 RAG。

Chroma 的官方网站是什么？

Chroma 的官方网站是 https://www.trychroma.com，可直接在浏览器中打开使用。