Chroma 1.5.9 介绍与选型指南

一、信息基准

• 查询日期：2026-10-18
• 版本依据：开源最新稳定版 v1.5.9。GitHub Releases feed 显示 1.5.9 更新于 2026-05-05；PyPI 官方源 chromadb 包最新版本同为 1.5.9（上传时间 2026-05-05），双源一致。

二、软件概述

本文介绍的版本为 Chroma v1.5.9（2026-10-18 查询时的官方最新稳定版）。

Chroma 是开源的 AI 检索基础设施（官方原话 "the open-source data infrastructure for AI"），常被归为向量数据库一类。它围绕检索（Retrieval）需求内建了完整链路：带元数据地存储嵌入向量，支持稠密与稀疏向量检索，可按元数据过滤，并能对文本、图像等多模态数据统一取回（官方文档 Overview 表述）。开发体验是它的突出优点：pip install chromadb 后即可在进程内直接使用（嵌入模式），也可切换到客户端-服务器模式（chroma run），Python 与 JavaScript/TypeScript 双客户端均有官方维护。项目采用 Apache-2.0 许可，GitHub stars 约 30k（2026-10-18 查询），是 AI 应用原型阶段最常用的向量检索组件之一；另有 Chroma Cloud 托管服务承接生产规模场景。

三、核心概念

3.1 Collection

Collection 是向量数据的组织单元，相当于关系库中的表。一个 Collection 内存储 Document、Embedding 与 Metadata，并对其建立索引以支持高效检索；官方文档提供 create/get/modify/delete 全套管理接口。

3.2 Document、Embedding 与 Metadata

Document 是原始文本（或多模态内容），Embedding 是其向量化表示，Metadata 是随行的结构化标签（如来源、时间、分类）。查询时可按元数据条件过滤。

3.3 嵌入函数（Embedding Functions）

官方内建常用嵌入函数：调用 add/query 时若只给文本，Chroma 会自动完成向量化；也允许自带向量直接写入。另有 Multimodal Embeddings 支持图像等多模态内容。

3.4 运行形态

• 嵌入模式（in-process/in-memory）：随应用进程启动，零部署，适合原型（官方提示该形态数据不持久）。
• 持久化客户端：数据落盘到本地目录。
• 客户端-服务器模式：chroma run --path / 启动服务端，Python/JS 客户端通过网络访问（README 原文用法）。
• Chroma Cloud：官方托管形态。

3.5 索引与检索

本地形态使用 HNSW 类向量索引（官方 CLI 提供 HNSW 配置修复工具）；检索支持稠密向量、稀疏向量、全文与正则匹配，配合元数据过滤组成混合查询。

四、功能特性

4.1 检索能力

稠密向量语义检索、稀疏向量关键词检索、全文检索与正则过滤、元数据条件过滤可组合使用，覆盖 RAG 与语义搜索的常见查询形态。

4.2 写入与事务

支持 add/insert、update、upsert、delete 全套写入语义；官方文档还提供条件事务（conditional transactions，乐观的集合级读-查-写流程）与批量操作。

4.3 多模态与嵌入函数生态

内建多模态嵌入函数，文本、图像可在同一 Collection 体系内表示与检索。

4.4 CLI 与运维工具

官方 CLI 支持：本地起服务（chroma run）、终端内浏览 Collection（browse）、本地与 Cloud 之间复制集合（copy）、空间回收（vacuum）、HNSW 配置修复等。

4.5 商业层增强（Chroma Cloud）

托管服务的增量能力包括：Collection Forking（写时复制的集合分叉）、Schema 配置（稀疏向量索引等索引配置）、Search API（RRF 混合排序、分组聚合、分页）、数据同步（S3/GitHub/网页抓取）等；开源版与 Cloud 的功能边界以官方文档为准。

五、快速上手

以下代码逐行引自官方《Getting Started》（docs.trychroma.com/docs/overview/getting-started）：

pip install chromadb

import chromadb
chroma_client = chromadb.Client()

collection = chroma_client.create_collection(name="my_collection")

collection.add(
    documents=[
        "This is a document about pineapple",
        "This is a document about oranges"
    ],
    ids=["id1", "id2"]
)

results = collection.query(
    query_texts=["This is a query document about florida"], # Chroma will embed this for you
    n_results=2 # how many results to return
)

print(results)

官方同时提示：示例使用 in-memory 客户端，程序退出后数据不保留；需要持久化可改用 persistent client 或客户端-服务器模式（README 中对应命令为 chroma run --path /）。以上为官方文档所述流程，本文不做本地实测。

六、适用场景与限制

6.1 适用场景

• RAG 应用：为 LLM 应用提供文档知识库的向量检索层，是最典型的用法。
• 语义搜索原型：嵌入模式下数行代码即可跑通"写入-查询"闭环，适合 PoC。
• 多模态检索：文本与图像混合内容的应用内检索。
• 本地/离线开发：无外部服务依赖，便于在笔记本或 CI 环境运行。

6.2 限制

• 生产形态需规划：嵌入模式不持久化；单机服务形态在大规模、高并发场景下需要评估容量与可用性，必要时转向 Chroma Cloud 或自行部署集群形态。
• 版本迁移成本：1.x 相对 0.x 有 schema 与迁移变化，官方提供 Migration 指南，跨大版本升级需按指南执行。
• 功能边界：Schema 化索引配置、RRF 混合排序、集合分叉等属于 Cloud 增强，开源版使用前应核对文档确认可用性。
• 高级数据库能力有限：复杂事务、多表关联等关系型能力不在其设计目标内，需要时应与主库配合使用。

七、同类选型对比

对比对象：Milvus（分布式向量数据库）、Qdrant（Rust 实现的向量搜索引擎）、pgvector（PostgreSQL 向量扩展）。数据查询日期均为 2026-10-18，stars 取自 shields.io 徽章，最近发版取自 GitHub Releases feed。

选型建议：追求开发速度、嵌入应用内或快速验证 RAG 原型，Chroma 上手最快；需要亿级规模与分布式水平扩展，选 Milvus；在意单机性能与过滤灵活性，选 Qdrant；想直接在现有 PostgreSQL 里做向量检索、不引入新组件，pgvector 最省事。

八、参考链接

1. 官方网站：https://www.trychroma.com/
2. 官方文档首页与概览：https://docs.trychroma.com/docs/overview/introduction
3. Getting Started（快速上手原文）：https://docs.trychroma.com/docs/overview/getting-started
4. 文档索引（llms.txt）：https://docs.trychroma.com/llms.txt
5. GitHub 仓库：https://github.com/chroma-core/chroma
6. Releases feed：https://github.com/chroma-core/chroma/releases.atom
7. PyPI 包页（版本交叉核验）：https://pypi.org/project/chromadb/
8. stars 数据徽章：https://img.shields.io/github/stars/chroma-core/chroma.svg