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

pip install chromadb

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：.

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

2.2、验证安装

启动后查看容器状态：

docker ps

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：

docker logs milvus_standalone

启动日志无报错

测试连接端口：

nc -zv localhost 19530

成功连接表示 Milvus 已正常监听端口。

2.3、安装 Milvus Python SDK

pip install pymilvus

五、使用示例

1、Chroma 简单示例

import chromadb

# 创建客户端 - 使用新的配置方式
client = chromadb.PersistentClient(path=".chromadb/")

# 创建/获取集合 - 使用 get_or_create_collection 避免重复创建错误
collection = client.get_or_create_collection("test_collection")

# 插入向量数据
collection.add(
    documents=["苹果", "香蕉", "橘子"],  # 文本描述
    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）
    ids=["1", "2", "3"]
)

# 查询最相似向量
results = collection.query(
    query_embeddings=[[0.1, 0.2, 0.31]],
    n_results=1
)

print(results)

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

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection

# 连接 Milvus
connections.connect("default", host="127.0.0.1", port="19530")

# 定义集合结构
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=3)
]

schema = CollectionSchema(fields, "test collection")

# 创建集合
collection = Collection("test_collection", schema)

# 插入数据
ids = [1, 2, 3]
embeddings = [
    [0.1, 0.2, 0.3],
    [0.2, 0.1, 0.4],
    [0.15, 0.22, 0.35]
]

collection.insert([ids, embeddings])

# 创建索引
index_params = {
    "index_type": "IVF_FLAT",
    "params": {"nlist": 10},
    "metric_type": "L2"
}
collection.create_index("embedding", index_params)

# 加载集合
collection.load()

# 查询向量
search_params = {"metric_type": "L2", "params": {"nprobe": 10}}
results = collection.search([[0.1, 0.2, 0.31]], "embedding", search_params, limit=2)

for result in results[0]:
    print(f"id: {result.id}, distance: {result.distance}")

运行结果

六、总结

功能	Chroma	Milvus
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

 如何学习大模型？

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

😝有需要的小伙伴，可以扫描下方二v码免费领取【保证100%免费】🆓