Chroma 是一个面向 AI 应用的开源嵌入数据库，定位于为构建带记忆的大语言模型应用提供 AI 原生数据存储。其许可证为 Apache 2.0，资料列出的版本为 v1.3.3，并以周为单位发布更新，GitHub 约有 24,300+ 星标、1,900+ 复刻。
【用途】 资料建议在以下情况使用 Chroma：构建 RAG（检索增强生成）应用；需要本地或自托管的向量数据库；希望使用开源方案；在 Notebook 中做原型验证；对文档做语义搜索；存储带元数据的嵌入向量。若需要托管云与自动扩缩容，资料列出的替代方案是 Pinecone；若只需要纯相似度搜索且不需要元数据，可考虑 FAISS；面向生产环境的 ML 原生数据库可考虑 Weaviate；高性能 Rust 实现可考虑 Qdrant。
【主要能力】
- 集合管理：创建集合、指定自定义嵌入函数、获取已有集合、删除集合。
- 文档写入：支持传入文档文本与元数据、指定 ID，也支持直接写入自定义嵌入向量。
- 查询检索：按查询文本做相似度搜索，可指定返回数量 n_results，并能结合元数据过滤；结果包含 documents、metadatas、distances、ids。
- 读取与修改：按 ID 或过滤条件获取文档，支持限制返回条数；支持更新文档内容与元数据；支持按 ID 或过滤条件删除。
- 持久化存储：通过 PersistentClient 指定路径写入磁盘，之后以相同路径重新加载集合。
- 嵌入函数：默认使用 Sentence Transformers（资料注明默认模型为 all-MiniLM-L6-v2）；支持 OpenAI 嵌入函数（示例模型 text-embedding-3-small）、HuggingFace 嵌入函数，以及自定义 EmbeddingFunction。
- 元数据过滤：支持精确匹配、比较运算符（$gt、$gte、$lt、$lte、$ne）、逻辑运算符（$and、$or）以及 $in 包含匹配。
- 服务端模式：可通过 chroma run --path ./chroma_db --port 8000 启动服务，并用 HttpClient 连接，示例中可关闭匿名遥测。
- 框架集成：资料给出 LangChain（langchain_chroma 的 Chroma 向量存储、from_documents、similarity_search、as_retriever）与 LlamaIndex（ChromaVectorStore、VectorStoreIndex、查询引擎）的集成代码示例。
【使用方式】 安装：Python 使用 pip install chromadb；JavaScript/TypeScript 使用 npm install chromadb @chroma-core/default-embed。基本流程为：创建客户端（内存 Client 或 PersistentClient）、创建或获取集合、调用 add 写入文档与元数据、调用 query 做检索。资料中的完整 Python 示例展示了创建集合并写入两条文档后按文本查询并打印结果。
【适用场景】 适合 RAG 检索层、文档语义搜索、带元数据条件的知识库检索、Notebook 原型、需要本地自托管与持久化的向量存储场景，以及已在 LangChain 或 LlamaIndex 技术栈中的项目。
【限制与注意事项】 资料未提供具体价格与收费信息、云托管服务细则、集群与高可用方案、具体数据规模上限或基准测试数据，这些暂未提供。资料中的性能表仅为参考数值：写入 100 条文档约 1-3 秒（含嵌入），top 10 查询约 50-200 毫秒（取决于集合大小），元数据过滤约 10-50 毫秒。资料建议使用持久化客户端避免重启丢数据、添加元数据以便过滤与追踪、批量写入、选择合适的嵌入模型以平衡速度与质量、使用过滤器缩小检索范围、保证 ID 唯一、定期备份 chroma_db 目录、监控集合规模、测试嵌入函数质量，并在生产环境使用服务端模式以支持多用户。