向量数据库 Chroma 和 Milvus的使用

一、什么是向量数据库？

向量数据库（Vector Database）是专门用来存储和检索向量数据的数据库。它广泛应用于图像搜索、推荐系统、自然语言处理等领域。
简单理解：

• 你给数据库一堆「特征向量」(比如图片、文本的数字表达)
  
• 你问数据库「最像这个向量的有哪些？」
  
• 数据库快速返回「最相似」的结果
  

二、Chroma 和 Milvus 简介

名称特点语言支持适用场景Chroma轻量级、Python友好、易上手Python小项目、原型、快速开发Milvus企业级、高性能、支持多种部署方案多语言（Python、Go等）大规模、高并发、复杂场景三、环境准备

• 操作系统：Windows / Mac / Linux 都可以
  
• Python 版本：3.7 及以上
  
• 安装包管理器：pip
  

四、安装与配置

1 、安装 Chroma

直接安装Python库

1. pip install chromadb

复制代码

2 、安装 Milvus

Milvus 分为两个部分：

• Milvus Server（核心数据库服务，需单独安装或用Docker运行）
  
• Milvus Python SDK（客户端，方便Python调用）
  

2.1、使用官方推荐脚本（最省心）

Milvus 官方提供的脚本会自动启用嵌入式 etcd 并正确配置启动：.

1. curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh
2. bash standalone_embed.sh start

复制代码

2.2、验证安装

启动后查看容器状态：

1. docker ps

复制代码

应显示 milvus_standalone 正常运行

查看日志确认 embedded etcd 启动成功，无连接错误：

1. docker logs milvus_standalone

复制代码

启动日志无报错

测试连接端口：

1. nc -zv localhost 19530

复制代码

成功连接表示 Milvus 已正常监听端口。

2.3、安装 Milvus Python SDK

1. pip install pymilvus

复制代码

五、使用示例

1、Chroma 简单示例

1. import chromadb
3. # 创建客户端 - 使用新的配置方式
4. client = chromadb.PersistentClient(path=".chromadb/")
6. # 创建/获取集合 - 使用 get_or_create_collection 避免重复创建错误
7. collection = client.get_or_create_collection("test_collection")
9. # 插入向量数据
10. collection.add(
11.     documents=["苹果", "香蕉", "橘子"],  # 文本描述
12.     embeddings=[[0.1, 0.2, 0.3], [0.2, 0.1, 0.4], [0.15, 0.22, 0.35]],  # 对应向量（示例）
13.     ids=["1", "2", "3"]
14. )
16. # 查询最相似向量
17. results = collection.query(
18.     query_embeddings=[[0.1, 0.2, 0.31]],
19.     n_results=1
20. )
22. print(results)

复制代码

返回结果

说明：

• documents 是你给数据库的文本
  
• embeddings 是文本的向量表示（通常由模型生成）
  
• 查询时传入一个向量，返回最接近的n个结果
  

2 、Milvus 简单示例

1. from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection
3. # 连接 Milvus
4. connections.connect("default", host="127.0.0.1", port="19530")
6. # 定义集合结构
7. fields = [
8.     FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
9.     FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=3)
10. ]
12. schema = CollectionSchema(fields, "test collection")
14. # 创建集合
15. collection = Collection("test_collection", schema)
17. # 插入数据
18. ids = [1, 2, 3]
19. embeddings = [
20.     [0.1, 0.2, 0.3],
21.     [0.2, 0.1, 0.4],
22.     [0.15, 0.22, 0.35]
23. ]
25. collection.insert([ids, embeddings])
27. # 创建索引
28. index_params = {
29.     "index_type": "IVF_FLAT",
30.     "params": {"nlist": 10},
31.     "metric_type": "L2"
32. }
33. collection.create_index("embedding", index_params)
35. # 加载集合
36. collection.load()
38. # 查询向量
39. search_params = {"metric_type": "L2", "params": {"nprobe": 10}}
40. results = collection.search([[0.1, 0.2, 0.31]], "embedding", search_params, limit=2)
42. for result in results[0]:
43.     print(f"id: {result.id}, distance: {result.distance}")

复制代码

运行结果

六、总结

功能ChromaMilvus安装纯Python库，简单快速需要运行服务，推荐Docker部署适合项目规模小型、开发测试大规模、生产环境语言支持Python优先多语言支持性能适中高性能，支持分布式
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！