教师网络培训心得体会_h5页面制作报价_百度指数总结_seo工作

向量数据库
专为高效存储与检索高维向量设计，支持语义搜索、推荐系统等AI场景，如文本/图像嵌入的相似性匹配。

ChromaDB
轻量级开源向量数据库，优势在于易用性（快速部署、简洁API）和小规模场景（本地开发、原型验证），常与AI模型（如OpenAI）配合实现RAG等应用。

下面是一个简单的例子

# 1. 生成嵌入（使用OpenAI）
from openai import OpenAI
import chromadb#client = OpenAI()
client = OpenAI(api_key="sk-xx",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")text1 = "一只柯基在蹦蹦跳跳"
embedding_corgi = client.embeddings.create(model="text-embedding-v3", input=text1).data[0].embedding
text2 = "一只小狗在奔跑"
embedding_dog = client.embeddings.create(model="text-embedding-v3", input=text2).data[0].embedding
text3 = "一只鸟在飞"
embedding_bird = client.embeddings.create(model="text-embedding-v3", input=text3).data[0].embedding# 2. 初始化 ChromaDB 本地客户端
chroma_client = chromadb.PersistentClient(path="./chroma_animals_data")
collection = chroma_client.get_or_create_collection("animals")
collection.add(ids=["corgi"], embeddings=[embedding_corgi], documents=[text1])
collection.add(ids=["dog"], embeddings=[embedding_dog], documents=[text2])
collection.add(ids=["bird"], embeddings=[embedding_bird], documents=[text3])# 3. 相似性检索
query = "蹦蹦跳跳的小狗"
query_embedding = client.embeddings.create(model="text-embedding-v3", input=query).data[0].embedding
results = collection.query(query_embeddings=[query_embedding], n_results=3)
print("匹配结果：", results["documents"])

第一步：生成文本向量 (Embedding)

text1 = "一只柯基在蹦蹦跳跳"
embedding_corgi = client.embeddings.create(model="text-embedding-v3", input=text1).data[0].embedding
text2 = "一只小狗在奔跑"
embedding_dog = client.embeddings.create(model="text-embedding-v3", input=text2).data[0].embedding
text3 = "一只鸟在飞"
embedding_bird = client.embeddings.create(model="text-embedding-v3", input=text3).data[0].embedding

第二步：存入向量数据库 (ChromaDB)

chroma_client = chromadb.PersistentClient(path="./chroma_animals_data")
collection = chroma_client.get_or_create_collection("animals")
collection.add(ids=["corgi", "dog", "bird"],embeddings=[embedding_corgi, embedding_dog, embedding_bird],documents=[text1, text2, text3]
)

第三步：执行语义搜索

query_embedding = client.embeddings.create(model="text-embedding-v3", input=query).data[0].embedding
results = collection.query(query_embeddings=[query_embedding], n_results=3)
print("匹配结果：", results["documents"])

第四步：输出