python创建向量数据库

### 使用Python创建向量数据库的方法

#### 安装必要的库
为了能够使用Python操作向量数据库，首先需要确保环境中已经安装了相应的库。对于ChromaDB而言，在标准的pip环境下可以通过如下命令完成安装：

pip install chromadb

如果是在conda环境里，则应采用特定于该包管理器的方式来进行部署[^3]。

#### 初始化并连接到ChromaDB实例
一旦所需软件包被成功加载至开发环境中之后，就可以着手准备初始化一个Chroma客户端对象来建立同目标数据库之间的联系。这里给出一段基础代码用于展示这一过程：

import chromadb

client = chromadb.Client()

这段脚本会默认尝试本地启动的服务端口进行握手；当然也支持通过传递额外参数指定远程服务器地址或其他配置选项[^1]。

#### 构建新的集合（Collection）
有了活动的Client实例以后，下一步就是定义想要存储的数据集结构——即所谓的“集合”。这一步骤类似于传统关系型数据库中的表(Table)，只不过在这里更侧重表达多维特征空间内的实体群组概念。下面的例子说明了怎样新增加这样一个逻辑单元：

collection_name = "example_collection"
try:
    collection = client.get_or_create_collection(name=collection_name)
except Exception as e:
    print(f"Failed to create or get the collection {e}")

此部分利用`get_or_create_collection()`函数实现了幂等性的资源获取机制，也就是说无论调用多少次都不会重复制造相同的容器，而是直接返回已存在的那个版本[^4]。

#### 向集合内添加记录项
当一切就绪后便可以考虑往里面填充实际的内容了。每条目通常由两大部分构成：一是独一无二的身份标识符(ID)，二是关联着它的数值化表示形式(Vector)。具体做法参见下述示范程序片段：

documents = [
    {"id": "doc_0", "vector": [0.1, 0.2]},
    {"id": "doc_1", "vector": [0.5, 0.7]}
]

for doc in documents:
    try:
        collection.add(
            ids=[doc["id"]],
            embeddings=[doc["vector"]]
        )
    except Exception as e:
        print(f"Error adding document {doc['id']}: {str(e)}")

上述循环遍历了一个预先构建好的文档列表，并逐一对它们执行写入动作。值得注意的是这里的键名(`ids`, `embeddings`)必须严格匹配官方API所规定的命名约定。

#### 执行相似度搜索请求
最后但同样重要的一环便是基于已有数据实施有效的查询操作。考虑到大多数情况下用户关心的是找到最接近给定样本的那一小批候选者们，因此推荐优先选用K近邻(KNN)算法作为底层计算策略。下面是有关于此主题的一个简单例子：

query_vector = [0.3, 0.4]
n_results = 2

results = collection.query(query_embeddings=[query_vector], n_results=n_results)

print(results)

以上代码段展示了如何发起一次针对单个查询向量的最近邻居查找任务，并指定了期望获得的结果数量上限。最终输出将是按照距离远近排序后的ID列表以及各自对应的距离值。