企业官网建设流程全解析

毫无疑问，对于新手来说，Chroma 比 Milvus 友好得多。它的设计哲学就是“极简”、“零配置”、“开箱即用”。你只需要pip install chromadb就可以直接使用，不需要安装 Docker、启动容器、配置端口等任何基础设施操作。

下面我就为你提供一个基于 Chroma + LangChain 的 RAG 案例，重点放在 Chroma 的安装和使用上，代码简单明了，可直接复制运行。

一、Chroma 快速上手

1.1 安装 Chroma

在虚拟环境中执行：

pipinstallchromadb langchain langchain-community sentence-transformers pypdf

1.2 Chroma 核心特点

二、完整 RAG 代码（使用 Chroma）

以下代码实现了一个完整的 RAG 流程：

1. 加载 PDF 文档
2. 切分为文本块
3. 使用本地 HuggingFace 嵌入模型（无需 API Key）
4. 向量存入 Chroma（持久化到本地磁盘）
5. 检索 + 大模型问答

# rag_chroma_demo.pyimportosfromlangchain.document_loadersimportPyPDFLoaderfromlangchain.text_splitterimportRecursiveCharacterTextSplitterfromlangchain.embeddingsimportHuggingFaceEmbeddingsfromlangchain.vectorstoresimportChromafromlangchain.chainsimportRetrievalQAfromlangchain_openaiimportChatOpenAIfromdotenvimportload_dotenv load_dotenv()# 加载 .env，里面放你的阿里云 API Key# ========== 1. 加载 PDF 文档 ==========pdf_path="./docs/example.pdf"# 请替换为你的 PDF 文件路径loader=PyPDFLoader(pdf_path)documents=loader.load()print(f"✅ 加载了{len(documents)}页")# ========== 2. 切分文档 ==========text_splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50,separators=["\n\n","\n","。","！","？","；","，"," ",""])chunks=text_splitter.split_documents(documents)print(f"✅ 切分为{len(chunks)}个文本块")# ========== 3. 初始化嵌入模型（本地，无需 API）==========embeddings=HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")# ========== 4. 创建 Chroma 向量库（持久化到本地目录）==========persist_directory="./chroma_db"# 数据将保存在此文件夹vector_store=Chroma.from_documents(documents=chunks,embedding=embeddings,persist_directory=persist_directory,# 指定持久化目录collection_name="my_knowledge")# 持久化保存（Chromadb 新版本会自动持久化，但显式调用更安全）vector_store.persist()print(f"✅ 向量库已保存到{persist_directory}")# ========== 5. 创建检索器 ==========retriever=vector_store.as_retriever(search_kwargs={"k":3})# ========== 6. 初始化大模型（使用阿里云百炼 Qwen）==========llm=ChatOpenAI(model="qwen-plus",temperature=0,api_key=os.getenv("DASHSCOPE_API_KEY"),base_url=os.getenv("DASHSCOPE_BASE_URL"),)# ========== 7. 创建检索问答链 ==========qa_chain=RetrievalQA.from_chain_type(llm=llm,retriever=retriever,return_source_documents=True)# ========== 8. 交互问答 ==========print("\n🤖 RAG 问答系统已启动（输入 exit 退出）")whileTrue:query=input("\n问题: ")ifquery.lower()=="exit":breakresult=qa_chain.invoke(query)print(f"\n答案:{result['result']}")print("\n参考来源：")fori,docinenumerate(result["source_documents"],1):print(f"{i}.{doc.metadata.get('source','未知')}第{doc.metadata.get('page','?')}页")print(f" 片段:{doc.page_content[:150]}...")

三、Chroma 使用详解

3.1 持久化目录说明

• persist_directory="./chroma_db"表示向量数据库会保存到当前目录下的chroma_db文件夹中。
• 程序第二次运行时，可以直接加载已有的数据库，无需重新计算向量（节省时间）：

vector_store=Chroma(persist_directory="./chroma_db",embedding_function=embeddings,collection_name="my_knowledge")

3.2 Chroma 的两种模式对比

3.3 Chroma 常用 API

四、为什么 Chroma 对新手更友好？

简单结论：学习阶段、个人项目、原型验证 →Chroma。企业级、百万级以上数据、分布式部署 →Milvus。

五、运行前的准备

1. 准备一个 PDF 文件：将任意 PDF 放到./docs/example.pdf路径下。
2. 配置.env文件（用于大模型 API）：

   DASHSCOPE_API_KEY=你的阿里云百炼API Key DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

3. 安装依赖：

   pipinstallchromadb langchain langchain-community sentence-transformers pypdf python-dotenv langchain-openai

4. 运行代码：

   python rag_chroma_demo.py

六、常见问题

Q：首次运行下载嵌入模型很慢？
A：首次会从 Hugging Face 下载约 470MB 的模型文件。可以设置镜像：

os.environ["HF_ENDPOINT"]="https://hf-mirror.com"

Q：Chroma 支持中文检索吗？
A：支持的。我们使用的paraphrase-multilingual-MiniLM-L12-v2是多语言模型，对中文效果很好。

Q：Chroma 数据存在哪里？
A：默认保存在./chroma_db文件夹下，使用 SQLite + Parquet 格式存储，可以直接查看文件。

Q：能不能不用本地嵌入模型，用阿里云的 embedding API？
A：可以。替换embeddings部分：

fromlangchain.embeddingsimportDashScopeEmbeddings embeddings=DashScopeEmbeddings(model="text-embedding-v2",dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"))

这个案例已经涵盖了 Chroma 的核心用法，你只需准备好 PDF 和 API Key，就能立刻体验到完整的 RAG 流程。如果遇到任何问题，欢迎随时提问。