1. 什么是 ChromaDB？ #

ChromaDB 是一个轻量级的开源向量数据库，专门设计用于存储和检索向量数据。想象一下，你有一个包含数千篇文档的知识库，当用户提问"如何学习机器学习？"时，ChromaDB 能快速找到与这个问题最相关的文档，即使用户的提问和文档中的文字不完全一样。

向量数据库的作用：

ChromaDB 的优势：

前置知识补充：如果你不了解"向量"和"嵌入"，这里简单解释一下。向量是一串数字，比如 [0.1, 0.5, -0.3, ...]。文本可以通过"嵌入模型"转换成向量。相似的文本会有相似的向量，所以通过比较向量就能找到相似的文本。ChromaDB 就是专门用来存储和检索这些向量的数据库。

2. 环境准备 #

在学习 ChromaDB 之前，需要确保你的 Python 环境已经准备好。ChromaDB 支持 Python 3.8 及以上版本。

2.1 检查 Python 版本 #

在安装之前，先检查一下你的 Python 版本是否符合要求。

# Windows PowerShell：查看 Python 版本
python --version
# macOS 终端：查看 Python 版本
python3 --version

2.2 安装 ChromaDB #

ChromaDB 基于 Python，可以使用 pip 直接安装。安装过程会自动下载所需的依赖包。

# 说明：Windows PowerShell 安装 ChromaDB
# 先升级 pip 到最新版本，确保能正常安装
python -m pip install --upgrade pip
# 安装 ChromaDB 库
python -m pip install chromadb
# 说明：macOS / Linux 终端安装 ChromaDB
# 先升级 pip 到最新版本
python3 -m pip install --upgrade pip
# 安装 ChromaDB 库
python3 -m pip install chromadb

网络加速提示：如果从 PyPI 下载较慢，可以使用国内镜像加速：

  • Windows: python -m pip install chromadb -i https://pypi.tuna.tsinghua.edu.cn/simple
  • macOS: python3 -m pip install chromadb -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 验证安装 #

安装完成后，验证一下是否安装成功。

# -*- coding: utf-8 -*-
# 说明：验证 ChromaDB 是否安装成功

# 说明：导入 chromadb 库
import chromadb

# 说明：创建一个临时的内存客户端（不会保存到磁盘）
client = chromadb.EphemeralClient()

# 说明：创建一个测试集合
collection = client.create_collection(name="test")

# 说明：添加一条测试数据
collection.add(documents=["这是一个测试"], ids=["test_1"])

# 说明：查询数据，验证功能是否正常
results = collection.query(query_texts=["测试"], n_results=1)

# 说明：打印查询结果
print("安装成功！查询结果：", results["documents"])

# 说明：如果没有报错并输出了查询结果，说明安装成功

3. 核心概念 #

在使用 ChromaDB 之前，需要理解几个核心概念。这些概念类似于传统数据库中的概念，但专门针对向量数据设计。

4. 创建客户端与集合 #

让我们通过一个简单的例子来快速了解 ChromaDB 的基本用法。

4.1 创建持久化客户端 #

持久化客户端会将数据保存到磁盘，即使程序关闭，数据也不会丢失。

# -*- coding: utf-8 -*-
# 说明：演示如何创建 ChromaDB 客户端和集合

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
# path 参数指定数据存储的目录路径
# 如果目录不存在，ChromaDB 会自动创建
persistent_client = chromadb.PersistentClient(path="./chroma_store")

# 说明：创建一个集合（类似于数据库中的表）
# name 参数是集合的名称，必须是唯一的
# metadata 参数可以添加集合的元数据，用于描述这个集合
collection = persistent_client.create_collection(
    name="notes",  # 集合名称
    metadata={"description": "示例笔记集合"}  # 集合的元数据
)

# 说明：列出所有集合，确认创建成功
# list_collections() 返回所有集合的列表
collections = persistent_client.list_collections()
print("当前所有集合：")
for col in collections:
    print(f"- {col.name}")

4.2 创建临时客户端 #

临时客户端只将数据存在内存中，适合测试或不需要持久化的场景。

# -*- coding: utf-8 -*-
# 说明：演示如何使用临时客户端（数据不保存到磁盘）

# 说明：导入 chromadb 库
import chromadb

# 说明：创建临时客户端（数据只存在内存中）
# EphemeralClient 不需要 path 参数
memory_client = chromadb.EphemeralClient()

# 说明：创建临时集合
temp_collection = memory_client.create_collection(name="temp_notes")

# 说明：添加测试数据
temp_collection.add(documents=["临时数据"], ids=["temp_1"])

# 说明：查询数据
results = temp_collection.query(query_texts=["数据"], n_results=1)
print("临时客户端查询结果：", results["documents"])

# 说明：注意：程序退出后，临时客户端中的数据会丢失

4.3 获取已存在的集合 #

如果集合已经存在，可以使用 get_collection() 或 get_or_create_collection() 方法。

# -*- coding: utf-8 -*-
# 说明：演示如何获取或创建集合

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：方法1：获取已存在的集合（如果不存在会报错）
try:
    existing_collection = client.get_collection(name="notes")
    print("集合已存在：", existing_collection.name)
except Exception as e:
    print("集合不存在：", e)

# 说明：方法2：获取或创建集合（推荐使用）
# 如果集合存在就获取，不存在就创建
collection = client.get_or_create_collection(
    name="notes",
    metadata={"description": "笔记集合"}
)
print("集合名称：", collection.name)

5. 数据写入与查询 #

数据写入和查询是 ChromaDB 的核心功能。ChromaDB 默认会自动将文档转换为向量，你只需要提供原始文本即可。

5.1 写入数据 # 

# -*- coding: utf-8 -*-
# 说明：演示如何向 ChromaDB 写入数据

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取或创建集合
collection = client.get_or_create_collection(name="knowledge_base")

# 说明：准备要存储的文档（文本内容）
# documents 是一个列表，每个元素是一个文档（字符串）
documents = [
    "机器学习包含监督学习和无监督学习",
    "Python 拥有丰富的数据科学生态",
    "数据库可以持久化结构化或非结构化数据"
]

# 说明：准备元数据（可选）
# metadatas 是一个列表，每个元素是一个字典，对应一个文档的元数据
metadatas = [
    {"topic": "ml", "level": "intro"},  # 第一个文档的元数据
    {"topic": "python", "level": "beginner"},  # 第二个文档的元数据
    {"topic": "database", "level": "intro"}  # 第三个文档的元数据
]

# 说明：准备唯一标识符（可选）
# ids 是一个列表，每个元素对应一个文档的唯一 ID
# 如果不提供，ChromaDB 会自动生成
ids = ["doc_1", "doc_2", "doc_3"]

# 说明：将数据添加到集合
# add() 方法会将文档转换为向量并存储
collection.add(
    documents=documents,  # 文档列表
    metadatas=metadatas,  # 元数据列表
    ids=ids  # ID 列表
)

# 说明：查看集合中的文档数量
# count() 方法返回集合中存储的文档总数
doc_count = collection.count()
print(f"写入完成，当前集合文档数：{doc_count}")

5.2 查询数据 #

查询是 ChromaDB 的核心功能，它可以根据语义找到最相似的文档。

# -*- coding: utf-8 -*-
# 说明：演示如何从 ChromaDB 查询数据

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取已存在的集合
collection = client.get_collection(name="knowledge_base")

# 说明：执行查询
# query_texts 是查询文本列表（可以是多个查询）
# n_results 是要返回的最相似结果数量
results = collection.query(
    query_texts=["如何入门机器学习？"],  # 查询文本
    n_results=2  # 返回最相似的 2 条结果
)

# 说明：查看查询结果的结构
# results 是一个字典，包含以下键：
# - "documents": 匹配的文档列表
# - "metadatas": 匹配文档的元数据列表
# - "distances": 相似度距离列表（越小越相似）
# - "ids": 匹配文档的 ID 列表

print("查询结果结构：")
print(f"找到 {len(results['documents'][0])} 条匹配结果\n")

# 说明：遍历并打印结果
# results["documents"][0] 表示第一个查询的结果列表
# zip() 用于同时遍历多个列表
for idx, (doc, metadata, distance, doc_id) in enumerate(zip(
    results["documents"][0],  # 文档内容
    results["metadatas"][0],  # 元数据
    results["distances"][0],  # 距离（越小越相似）
    results["ids"][0]  # 文档 ID
), 1):
    print(f"结果 {idx}:")
    print(f"  文档ID：{doc_id}")
    print(f"  匹配文档：{doc}")
    print(f"  附加信息：{metadata}")
    print(f"  相似度距离：{distance:.4f}（越小越相似）")
    print("-" * 50)

5.3 写入并查询 # 

# -*- coding: utf-8 -*-
# 说明：完整的写入和查询示例

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取或创建集合
collection = client.get_or_create_collection(name="example")

# 说明：准备文档数据
documents = [
    "机器学习包含监督学习和无监督学习",
    "Python 拥有丰富的数据科学生态",
    "数据库可以持久化结构化或非结构化数据"
]

# 说明：准备元数据
metadatas = [
    {"topic": "ml", "level": "intro"},
    {"topic": "python", "level": "beginner"},
    {"topic": "database", "level": "intro"}
]

# 说明：准备 ID
ids = ["doc_1", "doc_2", "doc_3"]

# 说明：写入数据
print("正在写入数据...")
collection.add(documents=documents, metadatas=metadatas, ids=ids)
print(f"写入完成，共 {collection.count()} 条文档\n")

# 说明：执行查询
print("正在查询：'如何入门机器学习？'\n")
results = collection.query(
    query_texts=["如何入门机器学习？"],
    n_results=2
)

# 说明：打印查询结果
for idx, (doc, metadata, distance) in enumerate(zip(
    results["documents"][0],
    results["metadatas"][0],
    results["distances"][0]
), 1):
    print(f"匹配结果 {idx}:")
    print(f"  文档：{doc}")
    print(f"  元数据：{metadata}")
    print(f"  距离：{distance:.4f}")
    print()

6. 元数据过滤与数据管理 #

元数据可以帮助我们更精确地检索数据，比如只搜索某个分类的文档。同时，我们也可以更新和删除数据。

6.1 元数据过滤查询 #

使用元数据可以过滤查询结果，只返回符合特定条件的文档。

# -*- coding: utf-8 -*-
# 说明：演示如何使用元数据过滤查询结果

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取集合
collection = client.get_collection(name="knowledge_base")

# 说明：执行带过滤条件的查询
# where 参数用于指定元数据过滤条件
# {"topic": {"$eq": "python"}} 表示只返回 topic 等于 "python" 的文档
filtered_results = collection.query(
    query_texts=["数据分析"],  # 查询文本
    n_results=1,  # 返回最相似的 1 条结果
    where={"topic": {"$eq": "python"}}  # 过滤条件：topic 必须是 "python"
)

print("过滤结果（只返回 topic=python 的文档）：")
if filtered_results["documents"][0]:
    print(f"匹配文档：{filtered_results['documents'][0][0]}")
    print(f"元数据：{filtered_results['metadatas'][0][0]}")
else:
    print("未找到匹配的文档")

6.2 常用过滤操作符 #

ChromaDB 支持多种过滤操作符：

# -*- coding: utf-8 -*-
# 说明：演示 ChromaDB 支持的过滤操作符

# 说明：导入 chromadb 库
import chromadb
from rich import print

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取集合
collection = client.get_collection(name="knowledge_base")

# 说明：示例1：等于（$eq）
# 只返回 topic 等于 "python" 的文档
results_eq = collection.query(
    query_texts=["Python"], n_results=10, where={"topic": {"$eq": "python"}}
)
print(results_eq)
# 说明：示例2：不等于（$ne）
# 返回 topic 不等于 "python" 的文档
results_ne = collection.query(
    query_texts=["编程"], n_results=10, where={"topic": {"$ne": "python"}}
)
print(results_ne)
# 说明：示例3：大于（$gt），小于（$lt）
# 注意：这些操作符主要用于数字类型的元数据
results_gt = collection.query(
    query_texts=["查询"], n_results=10, where={"score": {"$gt": 80}}  # score 大于 80
)
print(results_gt)

6.3 更新数据 #

ChromaDB 不支持直接更新文档，需要先删除再重新添加。

# -*- coding: utf-8 -*-
# 说明：演示如何更新 ChromaDB 中的数据

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取集合
collection = client.get_collection(name="knowledge_base")

# 说明：查看更新前的数据
print("更新前的文档数量：", collection.count())

# 说明：更新数据的方法：先删除再重新添加
# 步骤1：删除要更新的文档
# delete() 方法根据 IDs 删除文档
collection.delete(ids=["doc_2"])

# 说明：步骤2：重新添加更新后的文档
collection.add(
    documents=["Python 是构建 AI 原型的常见语言，广泛用于数据科学和机器学习"],
    metadatas=[{"topic": "python", "level": "intermediate"}],  # 更新元数据
    ids=["doc_2"]  # 使用相同的 ID
)

# 说明：查看更新后的数据
print("更新后的文档数量：", collection.count())

# 说明：验证更新是否成功
results = collection.get(ids=["doc_2"])
print("\n更新后的文档：", results["documents"][0])
print("更新后的元数据：", results["metadatas"][0])

6.4 删除数据 # 

# -*- coding: utf-8 -*-
# 说明：演示如何删除 ChromaDB 中的数据

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取集合
collection = client.get_collection(name="knowledge_base")

# 说明：查看删除前的数据
print("删除前的文档数量：", collection.count())

# 说明：根据 ID 删除文档
# delete() 方法可以删除一个或多个文档
collection.delete(ids=["doc_1"])  # 删除单个文档
# collection.delete(ids=["doc_1", "doc_2"])  # 删除多个文档

# 说明：查看删除后的数据
print("删除后的文档数量：", collection.count())

# 说明：根据元数据条件删除文档
# 注意：ChromaDB 的某些版本可能不支持按元数据删除
# 可以先查询符合条件的 IDs，然后再删除

6.5 获取数据 #

除了查询，还可以直接根据 ID 获取数据。

# -*- coding: utf-8 -*-
# 说明：演示如何根据 ID 获取数据

# 说明：导入 chromadb 库
import chromadb

# 说明：创建持久化客户端
client = chromadb.PersistentClient(path="./chroma_store")

# 说明：获取集合
collection = client.get_collection(name="knowledge_base")

# 说明：根据 ID 获取数据
# get() 方法可以根据 IDs 直接获取文档，不需要进行向量查询
results = collection.get(ids=["doc_2"])

# 说明：打印获取的数据
print("获取的文档：", results["documents"])
print("获取的元数据：", results["metadatas"])

# 说明：获取所有数据（不推荐，数据量大时会很慢）
all_data = collection.get()
print(f"\n集合中共有 {len(all_data['ids'])} 条数据")

7. 自定义嵌入函数 #

ChromaDB 默认使用内置的嵌入模型来将文档转换为向量。如果你想要更好的中文支持或使用特定的模型，可以自定义嵌入函数。

7.1 使用 Sentence Transformers #

Sentence Transformers 是一个流行的文本嵌入库，支持多种语言。

# -*- coding: utf-8 -*-
# 说明：演示如何使用自定义嵌入函数（基于 Sentence Transformers）

# 说明：首先需要安装 sentence-transformers 库
# Windows: python -m pip install sentence-transformers
# macOS: python3 -m pip install sentence-transformers

# 说明：导入 SentenceTransformer
from sentence_transformers import SentenceTransformer

# 说明：导入 ChromaDB 的相关类
from chromadb import EmbeddingFunction, PersistentClient

# 说明：加载一个中文友好的嵌入模型
# 首次运行时会自动下载模型（可能需要一些时间）
# "shibing624/text2vec-base-chinese" 是一个专门针对中文优化的模型
print("正在加载中文嵌入模型...")
embedder = SentenceTransformer("all-MiniLM-L6-v2")
print("模型加载完成！")


# 说明：定义自定义嵌入函数类
# 必须继承 EmbeddingFunction 并实现 __call__ 方法
class STEmbedding(EmbeddingFunction):
    # 说明：实现 __call__ 方法
    # 当调用 collection.add() 时，会自动调用这个方法将文本转换为向量
    def __call__(self, texts):
        # 说明：使用 SentenceTransformer 将文本列表编码为向量
        # encode() 方法返回 numpy 数组
        embeddings = embedder.encode(texts)

        # 说明：将 numpy 数组转换为列表
        # ChromaDB 需要列表格式，不能直接使用 numpy 数组
        return embeddings.tolist()


# 说明：创建使用自定义嵌入的客户端
client = PersistentClient(path="./custom_store")

# 说明：创建集合时指定自定义嵌入函数
collection = client.create_collection(
    name="custom_embed", embedding_function=STEmbedding()  # 使用自定义嵌入函数
)

# 说明：添加文档时，会自动使用自定义的嵌入函数
collection.add(
    documents=["向量数据库提升语义检索效果"],
    metadatas=[{"tag": "vector"}],
    ids=["custom_1"],
)

print("使用自定义嵌入函数写入成功！")

# 说明：查询时也会使用相同的嵌入函数
results = collection.query(query_texts=["语义搜索"], n_results=1)
print("\n查询结果：", results["documents"][0])

7.2 简化自定义嵌入 #

如果你已经有现成的向量数据，可以直接使用。

# -*- coding: utf-8 -*-
# 说明：演示如何直接使用预计算的向量

# 说明：导入 chromadb 库
import chromadb

# 说明：创建客户端
client = chromadb.PersistentClient(path="./vector_store")

# 说明：预计算向量场景下，集合可不挂 embedding_function
# 写入用 embeddings，查询用 query_embeddings，保证同一向量空间
collection = client.get_or_create_collection(name="precomputed_vectors")

# 说明：准备文档
documents = ["这是第一个文档", "这是第二个文档"]

# 说明：准备预计算的向量（示例）
# 实际使用时，用你的嵌入模型生成这些向量；此处仅演示格式
example_vectors = [
    [0.1] * 384,  # 第一个文档的向量（384维）
    [0.2] * 384,  # 第二个文档的向量（384维）
]

# 说明：直接写入预计算向量（不走默认嵌入函数）
# 重复运行时用 upsert，避免 id 冲突
collection.upsert(
    documents=documents,
    embeddings=example_vectors,
    ids=["vec_1", "vec_2"],
)

# 说明：查询也必须用预计算向量，不能用 query_texts（否则会走默认嵌入模型，空间不一致）
query_vector = [[0.1] * 384]  # 与第一个文档更接近
results = collection.query(
    query_embeddings=query_vector,
    n_results=1,
    include=["documents", "metadatas", "distances", "embeddings"],
)
print(results)

8. 常见问题与排查 #

在使用 ChromaDB 时，可能会遇到一些常见问题。本节提供解决方案。

8.1 中文查询效果不好 #

问题：使用默认嵌入模型查询中文时，效果不理想。

解决方案：使用自定义的中文嵌入模型。

8.2 查询结果不相关 #

问题：查询返回的结果与预期不符。

可能原因和解决方案：

  1. 查询文本太短：尝试使用更完整的查询语句
  2. 文档质量问题：确保文档内容清晰、完整
  3. 相似度阈值：可以设置距离阈值过滤结果
# -*- coding: utf-8 -*-
# 说明：演示如何设置距离阈值过滤查询结果

# 说明：导入 chromadb 库
import chromadb

# 说明：创建客户端和获取集合
client = chromadb.PersistentClient(path="./chroma_store")
collection = client.get_collection(name="knowledge_base")

# 说明：执行查询
results = collection.query(
    query_texts=["查询文本"],
    n_results=10  # 先获取较多结果
)

# 说明：过滤距离太大的结果（只保留相似度高的）
# 距离阈值可以根据实际情况调整
distance_threshold = 0.5  # 距离小于 0.5 才保留

filtered_docs = []
for doc, dist in zip(results["documents"][0], results["distances"][0]):
    if dist < distance_threshold:
        filtered_docs.append((doc, dist))

print(f"距离阈值 {distance_threshold} 下的结果数量：{len(filtered_docs)}")

8.3 数据持久化问题 #

问题：程序重启后数据丢失。

解决方案：

# -*- coding: utf-8 -*-
# 说明：演示如何确保数据持久化

# 说明：导入 chromadb 库和 os 模块
import chromadb
import os

# 说明：确保使用持久化客户端
db_path = "./chroma_store"
client = chromadb.PersistentClient(path=db_path)

# 说明：检查路径是否存在（不存在会自动创建）
if not os.path.exists(db_path):
    print(f"创建数据库目录：{db_path}")
    os.makedirs(db_path, exist_ok=True)

# 说明：获取或创建集合
collection = client.get_or_create_collection(name="persistent_data")

# 说明：添加测试数据
collection.add(documents=["测试数据"], ids=["test_1"])

# 说明：验证数据已保存
print(f"数据已保存到：{os.path.abspath(db_path)}")
print(f"当前文档数：{collection.count()}")

# 说明：关闭客户端（可选，但建议在程序结束时关闭）
# client 会自动保存数据

8.4 性能优化建议 #

  1. 批量添加数据：尽量一次性添加多条数据，而不是逐条添加
  2. 合理设置 n_results：查询时不要设置过大的 n_results 值
  3. 使用索引：ChromaDB 会自动创建索引，但首次查询可能较慢
# -*- coding: utf-8 -*-
# 说明：演示批量添加数据（更高效）

# 说明：导入 chromadb 库
import chromadb

# 说明：创建客户端和集合
client = chromadb.PersistentClient(path="./chroma_store")
collection = client.get_or_create_collection(name="batch_example")

# 说明：准备大量数据
documents = [f"这是第 {i} 个文档" for i in range(100)]
metadatas = [{"index": i} for i in range(100)]
ids = [f"doc_{i}" for i in range(100)]

# 说明：批量添加（一次性添加 100 条）
print("正在批量添加数据...")
collection.add(documents=documents, metadatas=metadatas, ids=ids)
print(f"批量添加完成，共 {collection.count()} 条文档")

# 说明：查询时合理设置结果数量
results = collection.query(
    query_texts=["文档"],
    n_results=5  # 只获取最相关的 5 条，而不是全部
)
print(f"查询到 {len(results['documents'][0])} 条结果")

9. 向量数据库对比 #

项目名称 官网地址 介绍
FAISS https://github.com/facebookresearch/faiss Facebook 开源的高性能向量相似性搜索库，适合离线检索和实验研究
Chroma https://www.trychroma.com/ 开源、嵌入式或可持久化的向量数据库，适合快速开发和个人项目
Milvus https://milvus.io/ 企业级分布式向量数据库，支持大规模生产环境和多索引类型
Weaviate https://weaviate.io/ 支持多模态检索和图关系的分布式向量数据库，易于集成，支持GraphQL
Pinecone https://www.pinecone.io/ 云端全托管的向量检索服务，无需运维，适合高可用生产需求
PostgreSQL https://www.postgresql.org/ 经典关系型数据库，通过扩展（如pgvector）支持向量检索

9.1 对比 #

特性维度 FAISS Chroma Milvus Weaviate Pinecone PostgreSQL
类型 库/Library 嵌入式/独立服务 分布式数据库 独立服务 云托管服务 关系型数据库
开源 Facebook开源 开源 LF AI & Data基金会 开源 商业云服务 开源
部署方式 Python库 嵌入式/独立服务 独立集群 独立服务 SaaS云服务 独立服务
向量索引算法 IVF, HNSW, PQ等 HNSW IVF, HNSW, ANNOY等 HNSW 专有算法 ivfflat, hnsw (pgvector)
标量过滤 有限支持 支持 丰富支持 强大支持 支持 完整SQL支持
多模态支持 纯向量 文档+元数据 向量+结构化数据 向量+GraphQL 向量+元数据 通过扩展
分布式 单机 单机 原生分布式 集群模式 全托管分布式 需要配置
持久化 需手动保存 自动持久化 自动持久化 自动持久化 全托管 完整ACID
查询语言 Python API Python/HTTP API Python/REST/gRPC GraphQL Python/HTTP API SQL
事务支持 有限 有限 完整ACID
生产就绪 研究/中等规模 🟡 发展中期 企业级 生产就绪 企业级 工业级
社区生态 强大 🟡 成长中 活跃 活跃 商业支持 极其强大
学习曲线 中等 简单 较陡峭 中等 简单 陡峭（需SQL知识）
运维复杂度 低 低 高 中等 无 高
成本 免费 免费 免费（自托管） 免费（自托管） $$$ 按使用量 免费（自托管）

9.2 存储能力 #

数据库 向量维度 最大数据量 元数据存储
FAISS 任意 内存限制 有限
Chroma 2,048 中等规模 完整
Milvus 32,768 PB级别 完整
Weaviate 未限制 TB级别 完整+图关系
Pinecone 20,000 自动扩展 完整
PostgreSQL 2,000 (pgvector) TB级别 完整关系型

9.3 性能特点 #

数据库 搜索速度 写入速度 内存使用 扩展性
FAISS ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ 高 有限
Chroma ⭐⭐⭐ ⭐⭐⭐ 中等 有限
Milvus ⭐⭐⭐⭐ ⭐⭐⭐⭐ 可配置 优秀
Weaviate ⭐⭐⭐⭐ ⭐⭐⭐ 中等 良好
Pinecone ⭐⭐⭐⭐ ⭐⭐⭐⭐ 托管 自动
PostgreSQL ⭐⭐ ⭐⭐⭐ 可配置 良好

9.4 选择建议 #

9.4.1 推荐场景 #

9.4.2 技术栈考虑 #

← 上一节 2.rag
下一节 没有下一节 →