Vector Databases Intermediario ~40 min

Chroma

Topico 23 de 35
chroma vector-databases open-source
AÇÕES
Progresso do Topico 0%

Chroma

Chroma e um banco de dados vetorial open-source projetado para ser simples, rapido e "AI-native". Ele foi criado especificamente para aplicacoes que utilizam embeddings, tornando-se uma escolha popular para desenvolvimento de sistemas RAG, busca semantica e outras aplicacoes de IA.

Por que Chroma?#

O Chroma se destaca por sua simplicidade e foco na experiencia do desenvolvedor:

  1. Zero configuracao: Funciona imediatamente sem setup complexo
  2. Persistencia flexivel: Pode rodar em memoria ou persistir dados
  3. API intuitiva: Interface Python/JavaScript simples e direta
  4. Embeddings integrados: Gera embeddings automaticamente se necessario

Instalacao e Setup#

Instalacao basica#

Bash 
pip install chromadb

Primeiro uso#

Python 
import chromadb

# Criar cliente (em memoria por padrao)
client = chromadb.Client()

# Criar colecao
collection = client.create_collection(name="meus_documentos")

Persistencia de dados#

Python 
import chromadb

# Cliente com persistencia em disco
client = chromadb.PersistentClient(path="/caminho/para/dados")

# A colecao sera salva automaticamente
collection = client.get_or_create_collection(name="documentos_persistentes")

Operacoes Basicas#

Adicionar documentos#

O Chroma pode gerar embeddings automaticamente:

Python 
# Adicionar documentos (Chroma gera embeddings)
collection.add(
    documents=[
        "Python e uma linguagem de programacao",
        "Machine learning usa algoritmos para aprender",
        "Deep learning utiliza redes neurais profundas"
    ],
    ids=["doc1", "doc2", "doc3"],
    metadatas=[
        {"categoria": "programacao"},
        {"categoria": "ml"},
        {"categoria": "dl"}
    ]
)

Adicionar embeddings proprios#

Python 
# Com embeddings pre-calculados
collection.add(
    embeddings=[
        [0.1, 0.2, 0.3, ...],  # seu vetor
        [0.4, 0.5, 0.6, ...],
    ],
    documents=["texto 1", "texto 2"],
    ids=["id1", "id2"]
)

Buscar por similaridade#

Python 
# Busca semantica
results = collection.query(
    query_texts=["como funciona aprendizado de maquina?"],
    n_results=3
)

print(results['documents'])
print(results['distances'])
print(results['metadatas'])

Busca com filtros#

Python 
# Combinar busca vetorial com filtros de metadados
results = collection.query(
    query_texts=["algoritmos de aprendizado"],
    n_results=5,
    where={"categoria": "ml"}  # filtro de metadados
)

Funcoes de Embedding#

O Chroma suporta diferentes funcoes de embedding:

Embedding padrao (all-MiniLM-L6-v2)#

Python 
# Usa Sentence Transformers por padrao
collection = client.create_collection(name="default_embedding")

OpenAI Embeddings#

Python 
from chromadb.utils import embedding_functions

openai_ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key="sua-api-key",
    model_name="text-embedding-ada-002"
)

collection = client.create_collection(
    name="openai_collection",
    embedding_function=openai_ef
)

Hugging Face#

Python 
huggingface_ef = embedding_functions.HuggingFaceEmbeddingFunction(
    api_key="sua-api-key",
    model_name="sentence-transformers/all-mpnet-base-v2"
)

Exemplo Completo: Sistema RAG Simples#

Python 
import chromadb
from openai import OpenAI

# Setup Chroma
chroma_client = chromadb.PersistentClient(path="./chroma_data")
collection = chroma_client.get_or_create_collection(name="knowledge_base")

# Adicionar documentos a base de conhecimento
documentos = [
    "O Chroma e um banco de dados vetorial open-source.",
    "RAG significa Retrieval-Augmented Generation.",
    "Embeddings sao representacoes numericas de texto.",
    "Vector databases armazenam e buscam vetores eficientemente."
]

collection.add(
    documents=documentos,
    ids=[f"doc_{i}" for i in range(len(documentos))]
)

# Funcao de busca + geracao
def rag_query(pergunta: str, n_results: int = 2):
    # Buscar documentos relevantes
    results = collection.query(
        query_texts=[pergunta],
        n_results=n_results
    )

    # Montar contexto
    contexto = "\n".join(results['documents'][0])

    # Gerar resposta com LLM
    client = OpenAI()
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {
                "role": "system",
                "content": f"Use o contexto para responder: {contexto}"
            },
            {"role": "user", "content": pergunta}
        ]
    )

    return response.choices[0].message.content

# Usar
resposta = rag_query("O que e o Chroma?")
print(resposta)

Chroma em Producao#

Docker#

YAML 
# docker-compose.yml
version: '3.9'
services:
  chroma:
    image: chromadb/chroma:latest
    ports:
      - "8000:8000"
    volumes:
      - ./chroma_data:/chroma/chroma

Cliente HTTP#

Python 
import chromadb

# Conectar ao servidor Chroma
client = chromadb.HttpClient(host="localhost", port=8000)
collection = client.get_or_create_collection("producao")

Melhores Praticas#

  1. Use persistencia: Para dados importantes, sempre use PersistentClient
  2. Escolha embeddings apropriados: O modelo de embedding afeta a qualidade da busca
  3. Aproveite metadados: Filtros de metadados melhoram precisao das buscas
  4. Batch operations: Para grandes volumes, adicione documentos em lotes
  5. Monitore tamanho: Chroma funciona bem para milhoes de documentos, mas planeje escala

Resources#

Checklist#

4 recursos

📝
Chroma - Site Oficial trychroma.com
📝
Chroma Tutorials - LabLab lablab.ai
▶
Video: Chroma - Vector Database for LLM Applications youtu.be
📖
Chroma Documentation docs.trychroma.com

Este topico tambem pode ser acessado em /topicos/chroma