ChromaDB: Embeddings and Vector Databases in Python

学完你能

• 用 NumPy 表示向量，并解释维度、模长、方向、点积与余弦相似度的含义
• 说明嵌入是什么，并用 spaCy 与 SentenceTransformers 在 Python 中生成文本嵌入
• 解释向量数据库与精确匹配检索的区别，以及它在 LLM 应用中的用途
• 用 ChromaDB 创建集合并向其中添加带元数据的文档
• 在 Chroma 中执行语义查询，并按元数据过滤、更新和删除文档
• 搭建一个检索增强生成示例：检索相关评论并作为上下文交给 LLM 回答

适合你吗

课程特点

内容侧重

侧重实践应用

练习与项目

建议边读边在同一个虚拟环境中复现每个代码块，然后把数据集换成自己领域的文档，搭一个能回答本文档内容的小助手。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费节选可直接读到教程正文与代码步骤，未出现付费墙或登录拦截；页面的 “Unlock All Content” 属站点会员入口，不改变本资源费用。

内容覆盖

• Represent Data as Vectors
• Vector Basics
• Vector Similarity
• Encode Objects in Embeddings
• Word Embeddings
• Text Embeddings
• Get Started With ChromaDB, an Open-Source Vector Database
• What Is a Vector Database?
• Meet ChromaDB for LLM Applications
• Add Documents to a ChromaDB Collection
• Query the Chroma Vector Database
• Filter, Update, and Delete Documents
• Practical Example: Add Context for a Large Language Model (LLM)
• Prepare and Inspect Your Dataset
• Create a Collection and Add Reviews
• Connect to an LLM Service
• Provide Context to the LLM
• Ask the LLM About Specific Reviews
• Conclusion
• Frequently Asked Questions