当前位置：首页 > news >正文

收藏！手把手教你本地安装向量数据库Chroma，AI Agent开发必备！后续更精彩！

news 2026/3/26 21:24:23

本文详细介绍了如何在本地开发环境中安装和基本使用向量数据库Chroma。首先，文章讨论了安装Chroma的方法，包括使用npm安装和Docker安装，并解释了如何持久化数据和进行端口映射。接着，文章展示了如何使用Chroma进行基本操作，如创建集合、添加文档、查询相似文档等。此外，还解释了如何计算文档的语义相似度。这些内容对于想要开发AI Agent的用户来说非常实用，是后续学习MCP、监控等内容的铺垫。

1.向量数据库安装

本地开发使用 chroma，

https://github.com/chroma-core/chroma

生产环境应该会用到其它的服务，后续再介绍。

可以通过 npm 安装，不过windows x64 很可能没法使用，

npm install -g chromadb

# 启动 chroma run

使用不了。

换个方法，使用 docker 来安装并启动，参考文档：

https://docs.trychroma.com/guides/deploy/docker?lang=typescript

到官网安装完docder到本地后，等待docker引擎启动，然后执行

docker run -v ./chroma-data:/data -p 8000:8000 chromadb/chroma

# 本地数据 ./chroma-data # 容器环境的数据路径 /data -v ./chroma-data:/data

这样可以本地持久化数据，后面是端口映射。

# 镜像 chromadb/chroma

执行心跳检测:

向量数据库的基本使用

import { ChromaClient } from 'chromadb' import { AlibabaTongyiEmbeddings } from '@langchain/community/embeddings/alibaba_tongyi'; import 'dotenv/config'; const embedder = new AlibabaTongyiEmbeddings({ apiKey: process.env.ALIBABA_API_KEY, }); const documents = [ "这是一份关于前端开发的技术文档，涵盖的知识包括 HTML、CSS 和 JavaScript 等内容。", "这是一份关于《疯狂动物城2》这部电影的介绍的文档", ] const documentEmbeddings = await Promise.all( documents.map(doc => embedder.embedQuery(doc)) ); // 创建 ChromaDB 客户端实例 const chromaClient = new ChromaClient({ host: "localhost", port: 8000, }); // 创建一个新的集合 const collection = await chromaClient.getOrCreateCollection({ name: 'test-collection' }); await collection.add({ ids: ['1', '2'], documents, embeddings: documentEmbeddings, }) const queryEmbedding = await embedder.embedQuery('想要了解 langchain.js 的相关信息'); // 查询相似的文档 const results = await collection.query({ queryEmbeddings: [queryEmbedding], // chroma 将会基于这个文本进行相似度搜索 nResults: 2, // 返回最相似的 2 条结果 }) // 查询集合中的文档数量 const count = await collection.count(); console.log('查询结果: ', results); console.log('文档数量: ', count);

查询内容：“想要了解 langchain.js 的相关信息”

执行结果：

结果中 distances 代表语义的相似度，数值越小，相似度越高

计算公式：

distance = 1 - cosine_similarity

similarity 就是向量边之间的夹角，余弦相似度的范围是 [-1, 1], 所以距离的范围是 [0, 2]

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。