跳到主要内容

Chroma

Chroma 是一个 AI 原生的开源向量数据库，专注于开发者生产力和幸福感。Chroma 基于 Apache 2.0 许可。

本指南提供了 Chroma vector stores 向量存储入门的快速概览。有关所有 Chroma 功能和配置的详细文档，请访问 API 参考。

概述​

集成详情​

类包PY 支持最新包
Chroma@langchain/community✅NPM - Version

设置​

要使用 Chroma 向量存储，您需要安装 @langchain/community 集成包以及 Chroma JS SDK 作为对等依赖项。

本指南还将使用 OpenAI 嵌入，这需要您安装 @langchain/openai 集成包。如果您愿意，也可以使用其他受支持的嵌入模型。

提示

有关安装集成包的通用说明，请参阅 此部分。

yarn add @langchain/community @langchain/openai @langchain/core chromadb

接下来，按照以下说明在您的计算机上使用 Docker 运行 Chroma

docker pull chromadb/chroma
docker run -p 8000:8000 chromadb/chroma

您可以在本指南中查看其他设置说明。

凭据​

如果您通过 Docker 运行 Chroma，则无需提供任何凭据。

如果您在本指南中使用 OpenAI 嵌入，则还需要设置您的 OpenAI 密钥

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您想获得模型调用的自动跟踪，您还可以通过取消注释下方内容来设置您的 LangSmith API 密钥

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

实例化​

import { Chroma } from "@langchain/community/vectorstores/chroma";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = new Chroma(embeddings, {
  collectionName: "a-test-collection",
  url: "http://localhost:8000", // Optional, will default to this value
  collectionMetadata: {
    "hnsw:space": "cosine",
  }, // Optional, can be used to specify the distance method of the embedding space https://docs.trychroma.com/usage-guide#changing-the-distance-function
});

管理向量存储​

向向量存储添加项目​

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" },
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" },
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" },
};

const document4: Document = {
  pageContent: "The 2024 Olympics are in Paris",
  metadata: { source: "https://example.com" },
};

const documents = [document1, document2, document3, document4];

await vectorStore.addDocuments(documents, { ids: ["1", "2", "3", "4"] });
[ '1', '2', '3', '4' ]

从向量存储删除项目​

您可以按 ID 从 Chroma 中删除文档，如下所示

await vectorStore.delete({ ids: ["4"] });

查询向量存储​

一旦您的向量存储已创建并添加了相关文档，您很可能希望在运行链或代理期间查询它。

直接查询​

执行简单的相似性搜索可以按如下方式完成

const filter = { source: "https://example.com" };

const similaritySearchResults = await vectorStore.similaritySearch(
  "biology",
  2,
  filter
);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}
* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

有关 Chroma 过滤器语法的更多信息，请参阅此页面。

如果您想执行相似性搜索并接收相应的分数，您可以运行

const similaritySearchWithScoreResults =
  await vectorStore.similaritySearchWithScore("biology", 2, filter);

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(
    `* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(
      doc.metadata
    )}]`
  );
}
* [SIM=0.835] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.852] Mitochondria are made out of lipids [{"source":"https://example.com"}]

通过转换为检索器进行查询​

您还可以将向量存储转换为检索器，以便在您的链中更轻松地使用。

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});
await retriever.invoke("biology");
[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成的用法​

有关如何将此向量存储用于检索增强生成 (RAG) 的指南，请参阅以下部分

API 参考​

有关所有 Chroma 功能和配置的详细文档，请访问 API 参考

此页对您有帮助吗？


您还可以留下详细的反馈 在 GitHub 上.