向量数据库对比以及Chroma操作

作者：CSDN博客
一、向量数据库与传统类型数据库

向量数据库（Vector Storage Engine）与传统类型的数据库如关系型数据库（MySQL）、文档型数据库（MongoDB）、键值存储（Redis）、全文搜索引擎（Elasticsearch，简称ES）等在设计理念、应用场景和技术实现上存在显著差异。以下是它们之间的对比：
1.1. 向量数据库

设计理念：专门设计用于存储和查询高维向量数据，支持基于相似度的搜索，例如通过余弦相似度、欧氏距离等方式来查找最接近的向量。应用场景：主要用于机器学习模型输出的向量表示的高效检索，如图像识别、推荐系统、自然语言处理中的文本相似性搜索等。

• 技术特性：
  
  支持高效的近似最近邻（Approximate Nearest Neighbor, ANN）搜索。可以处理非常大规模的数据集，且对维度不敏感。提供了针对向量数据优化的索引结构。
  
  
  

1.2. 关系型数据库（MySQL）

设计理念：基于表格形式组织数据，强调数据的一致性和事务处理能力。应用场景：适用于需要复杂查询、严格事务控制的应用场景，如金融交易系统、企业资源规划（ERP）等。

• 技术特性：
  
  支持SQL查询语言，便于进行复杂的联表查询和聚合操作。强调ACID属性（原子性、一致性、隔离性、持久性），适合于对数据一致性和完整性要求较高的场合。
  
  
  

1.3. 文档型数据库（MongoDB）

设计理念：采用文档作为基本单位存储数据，文档可以嵌套，非常适合存储半结构化或非结构化数据。应用场景：适用于内容管理系统、物联网（IoT）数据存储、实时分析等场景。

• 技术特性：
  
  使用JSON-like格式存储数据，易于扩展字段。提供了灵活的数据模型，支持水平扩展。
  
  
  

1.4. 键值存储（Redis）

设计理念：简单的键值对存储机制，强调高性能读写操作。应用场景：缓存、会话管理、实时分析等需要快速访问的小型数据集。

• 技术特性：
  
  内存中操作，提供了极高的读写速度。支持多种数据结构，如字符串、哈希表、列表、集合等。
  
  
  

1.5. 全文搜索引擎（Elasticsearch）

设计理念：专注于全文搜索，能够快速检索大量文本数据并提供相关性排序。应用场景：日志分析、网站搜索、商业智能等领域。

• 技术特性：
  
  支持复杂的查询语法，包括模糊查询、短语匹配等。提供强大的分词和倒排索引功能，支持多语言文本搜索。
  
  
  

二、向量数据库 vs. 其他类型数据库对比

2.1. 数据模型与核心功能

数据库类型	数据模型	核心功能	典型场景
向量数据库	高维向量（如512维浮点数组）	相似性搜索（余弦、欧氏距离等）	图像/文本检索、推荐系统、AI模型嵌入
关系型数据库（MySQL）	结构化表格（行与列）	SQL查询、ACID事务、复杂关联查询	金融交易、ERP系统、结构化数据管理
文档数据库（MongoDB）	JSON/BSON文档（半结构化）	灵活查询、嵌套文档存储	日志存储、用户配置、内容管理系统
键值数据库（Redis）	键-值对（简单数据结构）	高速缓存、原子操作	会话缓存、排行榜、实时计数器
搜索引擎（Elasticsearch）	文本+倒排索引	全文检索、模糊匹配、聚合分析	日志分析、电商搜索、文本内容检索

2.2. 查询方式对比

数据库类型	查询特点
向量数据库	基于向量距离的近似最近邻（ANN）搜索，支持相似性排序（如 Top-K 结果）
关系型数据库	基于SQL的精确查询，支持JOIN、GROUP BY等复杂操作，强调数据一致性
文档数据库	基于文档字段的灵活查询（如嵌套查询、范围过滤），支持部分索引
键值数据库	基于键的精确读写，支持简单范围查询（如 SCAN），但无复杂关联操作
搜索引擎	基于关键词的全文检索，支持模糊匹配、分词、相关性评分（TF-IDF/BM25）

2.3. 性能与优化方向

数据库类型	性能优化重点	瓶颈
向量数据库	高维向量索引（如HNSW、IVF-PQ）加速相似性搜索	高维数据计算复杂度高，内存占用大
关系型数据库	事务处理、索引优化（B+树）、锁机制	复杂JOIN和大表查询的延迟
文档数据库	文档结构灵活性、分片扩展性	嵌套层级过深时的查询效率下降
键值数据库	低延迟读写、内存优化	数据持久化与内存成本的平衡
搜索引擎	倒排索引压缩、分词效率、分布式查询	高基数字段的聚合性能（如去重统计）

2.4. 适用场景示例

场景	推荐数据库	原因
人脸识别1:N检索	向量数据库（如Milvus、Pinecone）	需快速比对海量高维向量，支持ANN索引和GPU加速
电商订单管理	关系型数据库（MySQL）	需要事务支持、订单状态一致性及复杂关联查询
用户行为日志存储	文档数据库（MongoDB）	半结构化日志格式灵活，支持动态字段扩展
实时在线游戏排行榜	键值数据库（Redis）	低延迟读写，支持有序集合（ZSET）实现实时排名
新闻内容全文检索	搜索引擎（Elasticsearch）	支持分词、相关性排序、高亮显示等文本特性

2.5. 核心差异总结

维度	向量数据库	其他数据库
数据本质	非结构化高维向量（AI生成）	结构化或半结构化数据（文本、数值、文档等）
查询目标	相似性匹配（模糊结果）	精确匹配或范围查询
索引技术	ANN索引（如HNSW、Faiss）	B+树、倒排索引、哈希索引等
硬件依赖	依赖GPU/高性能计算加速向量运算	通常依赖CPU和内存优化
扩展性	分布式向量索引，横向扩展集群	分库分表（关系型）或分片（NoSQL）

三、选择参考

若需处理高维向量相似性搜索（如AI模型输出），优先选择向量数据库。若需强一致性事务或复杂关联查询，关系型数据库更合适。半结构化数据（如日志、JSON文档）适合MongoDB，而全文检索场景应选Elasticsearch。混合架构：实际系统中常组合使用（如用Redis缓存热点数据，ES处理搜索，向量库支持AI功能）。

四、向量数据库对比

以下是几款知名向量数据库的对比分析，从是否收费、是否开源、适用场景及出品方等维度：
4.1. Milvus

出品方：Zilliz（中国上海企业）开源情况：开源（Apache 2.0协议）收费模式：社区版免费；企业版收费

• 适用场景：
  
  企业级应用：支持分布式部署、多租户隔离，适用于大规模数据管理（如百亿级向量）。多模态检索：结合文本、图像、视频的混合检索，适合推荐系统、大模型知识库构建。高可用性需求：提供云原生支持（如Kubernetes），适合金融、医疗等敏感行业。
  
  特点：集成GPU加速，支持动态数据更新，与国产大模型生态深度兼容。
  

4.2. Pinecone

出品方：Pinecone Systems（美国）开源情况：闭源（全托管商业服务）收费模式：按需付费（免费试用后收费，价格较高）

• 适用场景：
  
  快速部署：无需自建基础设施，适合初创企业或对运维要求低的场景。实时搜索：支持实时索引更新，适用于动态数据环境（如电商实时推荐）。企业级SLA：提供高可用性和数据持久化保障。
  
  特点：API简单易用，支持自动索引优化，但成本较高。
  

4.3. Chroma

出品方：开源社区（主语言Rust，支持Python/JS）开源情况：开源（Apache 2.0协议）收费模式：免费（可自托管或使用托管服务，如AWS托管约15美元/月）

• 适用场景：
  
  轻量级开发：适合个人开发者或小团队快速构建AI应用（如语义搜索、RAG）。多媒体处理：支持音频、视频的向量化检索，适合内容推荐系统。Jupyter集成：在Notebook中快速验证原型。
  
  特点：安装便捷（pip install即可），文档友好，但扩展性较弱。
  

4.4. Faiss

出品方：Meta（Facebook AI Research）开源情况：开源（MIT协议）收费模式：免费

• 适用场景：
  
  高性能搜索：支持十亿级向量检索，适合图像/视频搜索（如Instagram内容推荐）。GPU加速：利用多GPU并行计算提升效率。算法研究：提供多种索引类型（如IVF、PQ），供开发者灵活调优。
  
  特点：计算效率高，但需自行处理分布式部署和数据管理。
  

4.5. Weaviate

出品方：SeMI Technologies（荷兰）开源情况：开源（BSD协议）收费模式：社区版免费；企业版需付费

• 适用场景：
  
  语义搜索：集成知识图谱，适合复杂语义理解（如法律文档分析）。多模态数据整合：支持文本、图像、音频的联合检索。实时更新：动态索引支持数据实时写入与查询。
  
  特点：模块化架构，支持自定义机器学习模型嵌入。
  

4.6. Qdrant

出品方：开源社区（俄罗斯团队主导）开源情况：开源（Apache 2.0协议）收费模式：免费（托管服务收费）

• 适用场景：
  
  高精度检索：支持混合搜索（向量+元数据过滤），适合电商精准推荐。分布式部署：适合中大规模企业应用。
  
  特点：性能与Milvus接近，但社区生态较小。
  

4.7. 对比总结表

数据库	开源	收费模式	适用场景	出品方	核心优势
Milvus	是	社区免费/企业付费	企业级大规模检索、多模态应用	Zilliz（中国）	分布式扩展、国产化支持
Pinecone	否	SaaS按需付费	快速部署、实时搜索	Pinecone（美国）	全托管、易用性高
Chroma	是	免费/托管收费	轻量级开发、多媒体检索	开源社区	安装便捷、适合原型验证
Faiss	是	免费	高性能计算、算法研究	Meta	GPU加速、高计算效率
Weaviate	是	社区免费/企业付费	语义搜索、知识图谱集成	SeMI Technologies	模块化、多模态支持
Qdrant	是	免费/托管收费	高精度混合检索	开源社区	性能均衡、混合搜索支持

初创团队/个人开发者：优先选择Chroma或Faiss，成本低且易上手。企业级应用：Milvus或Weaviate，满足分布式和高可用需求。全托管需求：Pinecone适合无运维团队的企业。

五、Chroma 基本操作

5.1. Chroma 安装

Chroma 可以通过 Python 的包管理工具 pip 来安装。首先确保你已经安装了 Python 和 pip。然后，在你的命令行工具中运行以下命令：

1. pip install chromadb

复制代码

这将下载并安装最新版本的 Chroma 及其依赖项。
启动命令
命令行直接运行以下启动命令

1. # --path 指定数据文件存储目录./chromadb
2. chroma run --path ./chromadb --host=0.0.0.0 --port=8000

复制代码

以下是启动成功的界面：

验证安装
为了验证 Chroma 是否成功安装，你可以尝试在 Python shell 或者你的 Python 脚本中导入 Chroma：

1. import chromadb
2. print(chromadb.__version__)# 输出 0.6.1

复制代码

如果这段代码能够顺利执行，并打印出 Chroma 的版本号，则说明安装成功。
5.2. Chroma 基本操作

使用 Python 操作Chroma向量数据库
创建连接
如果你在本地运行chroma，并且把数据存放在内存存储，可以这样创建客户端

1. from chromadb import Client
2. chroma_client = Client()

复制代码

如果你在本地运行chroma，并且把数据存放在本地存储，可以这样创建客户端

1. from chromadb import Client
2. from chromadb import Settings
3. settings = Settings(persist_directory=r".\codes\chroma", is_persistent=True)
4. chroma_client = Client(settings=settings)

复制代码

如果你在服务端运行chroma，服务器端存储数据，可以这样创建客户端

1. from chromadb import HttpClient
2. chroma_client = HttpClient(host='localhost', port=8000)

复制代码

创建表

1. #创建或获取一个名为 "my_collection" 的集合
2. collection = chroma_client.create_collection(name="my_collection", get_or_create=True)#或者
3. collection = chroma_client.get_or_create_collection(name="langchain")

复制代码

添加数据

1. import uuid
2. defget_uuid():returnstr(uuid.uuid4())
3. ids=[get_uuid()for _ inrange(2)]
4. documents =["我今天去上学","天气很好"]
5. collection.add(ids=ids, documents=documents)
6. collection.add(ids=get_uuid(), documents="外面下雨了")

复制代码

查询数据

1. results = collection.get(include=["embeddings","documents"])
2. collection.get()

复制代码

删除数据

1. collection.delete(ids=['d687b743-b678-4124-8fef-15b5fd11c01e'])

复制代码

更新数据

1. collection.update(ids=['8ad95c3e-57fb-498d-884e-84d52493983b'],
2.                 documents=["我今天很高兴啊"])

复制代码

六、向量数据库的基本原理

向量化：首先，通过某种方式（如使用预训练的语言模型）将非结构化数据（例如文本）转换成向量形式。每个向量代表了一个数据点（在这里是文本）在多维空间中的位置。
索引构建：为了加快查询速度，向量数据库会构建特殊的索引结构。这些索引结构允许快速检索与给定向量最接近的其他向量。常见的索引策略包括基于树的方法（如KD树）、哈希方法（如局部敏感哈希LSH），以及最近邻图（如HNSW）。对于非常大的数据集，通常采用近似最近邻（Approximate Nearest Neighbor, ANN）算法来平衡查询效率和准确性。
相似度计算：当执行查询时，向量数据库会计算查询向量与其他所有向量之间的距离或相似度（如余弦相似度、欧氏距离等）。然后根据相似度排序返回结果。
优化查询性能：为了提高查询性能，除了上述提到的索引机制外，还可以采取其他措施，比如分片（sharding）、缓存（caching）等。

以下以 Chroma 为例，说明其原理及文本相似性搜索的实现过程：
(1) 数据向量化

文本嵌入模型： 使用预训练模型（如BERT、Sentence-BERT）将文本转换为固定维度的向量（如768维）。例如，句子 “A cat sits on the mat” 被映射为一个高维向量。语义捕捉： 相似语义的文本在向量空间中距离更近。例如，“猫坐在垫子上” 和 “垫子上有只猫” 的向量余弦相似度接近1。

(2) 向量存储与索引

存储结构： 向量按列式存储（如内存数组或磁盘文件），支持批量读写。

• 索引构建： 采用 近似最近邻（ANN）算法（如HNSW、IVF-PQ），构建多层索引结构，加速搜索：
  
  HNSW（分层导航小世界图）：
  构建分层的图结构，高层进行粗粒度导航，底层进行细粒度搜索，减少计算量。IVF（倒排文件索引）：
  将向量空间划分为多个聚类（Voronoi图），搜索时仅遍历目标聚类内的向量。
  
  
  

(3) 相似性度量

距离计算： 使用余弦相似度、欧氏距离或内积评估向量相似性。Chroma默认使用余弦相似度，需向量归一化

(4) 查询处理

输入查询向量：将待搜索文本转换为向量。索引快速检索：通过ANN算法找到Top-K相似向量。结果排序与返回：按相似度排序后返回原始数据（如文本或ID）。

为什么能实现高效文本相似性搜索

关键技术	作用
ANN算法（如HNSW）	将搜索复杂度从O(N)降至O(logN)，支持十亿级数据毫秒响应。
语义向量化	将文本语义编码为稠密向量，突破关键词匹配局限（如近义词、抽象概念）。
内存优化存储	列式存储+SIMD指令加速向量运算，提升吞吐量。
并行计算	多线程/GPU加速距离计算，适合高并发场景。

原文地址：https://blog.csdn.net/lihuayong/article/details/146286652