企业官网建设流程全解析

30 分钟搭好本地知识库：用 Chroma 向量数据库玩转 LLM Universe

【免费下载链接】llm-universe本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/项目地址: https://gitcode.com/GitHub_Trending/ll/llm-universe

工作笔记、课程资料、聊天记录散落在各个文件夹，想找点东西全靠翻。大模型应用开发教程 LLM Universe 给了一条捷径：把文档喂进 Chroma 向量数据库，之后直接用大白话提问，系统自动从你的资料里给出答案。搭好一个能用的本地知识库，全程不超过半小时。

⚡ 向量数据库安装：一行 pip 搞定 Chroma

很多人以为向量数据库安装要申请服务器、买云服务，Chroma 不需要。它是专为大模型应用设计的轻量级向量数据库，数据默认写进本地磁盘，pip 装完就能跑：

pip install chromadb

数据落在哪？LLM Universe 里的 Chroma 数据目录就是 data_base/vector_db/chroma/，打开能看到 chroma.sqlite3 等文件——你存进去的每段文字，都以向量形式躺在里面。

📥 三步喂饱你的知识库

文档不能整篇塞给模型，上下文窗口有限，长文会被截断。LLM Universe 的做法是三步走：先用分块器把长文切成几百字的小块（文档分块），再用 Embedding 模型把每块文字转成一串向量，最后批量入库。小块的好处是模型能完整读完每一块，回答也更聚焦。

切分参数怎么调？notebook/C3 搭建知识库/C3.ipynb 里有完整演示，切分效果长这样：

切完小块，建集合、入库，十几行代码：

import chromadb client = chromadb.PersistentClient(path="data_base/vector_db/chroma") collection = client.get_or_create_collection("my_knowledge") collection.add( documents=["分块1内容", "分块2内容"], metadatas=[{"source": "文档1"}, {"source": "文档2"}], ids=["id1", "id2"], )

🎯 向量查询怎么写：用大白话提问

入库之后，查询比想象中简单——不用写 SQL，直接把你想问的句子传进去：

results = collection.query( query_texts=["LLM Universe 支持哪些模型？"], n_results=2, )

查询句会走同一个 Embedding 模型变成向量，Chroma 拿它和库里所有向量比距离，把最接近的前 N 块文字取出来。n_results控制取回几块，2 就够回答大部分问题，想要更全面的答案可以调大。"queen 和 king 语义接近、apple 和 orange 也很像"，这种相似度判断正是向量查询的底层逻辑：

🚀 实战：个人知识库助手长什么样

前面三步拼起来，就是一个能用的个人知识库助手。仓库里的 docs/C6/案例1：个人知识库助手.md 演示了完整流程：右侧拖入文件、点"知识库文件向量化"，左侧就能直接提问，答案都来自你自己的资料。

接下来可以做两件事

• 把 C3.ipynb 里的chunk_size从 4000 改成 1000，对比两次查询的召回质量，直观感受分块大小的影响；
• 翻 docs/C3/C3.md 的向量数据库章节，看看文档量变大时如何做向量索引优化。

【免费下载链接】llm-universe本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/项目地址: https://gitcode.com/GitHub_Trending/ll/llm-universe