Chroma - Banco de Dados de Embeddings de Código Aberto

O banco de dados nativo de IA para construir aplicações LLM com memória.

Quando usar Chroma

Use Chroma quando:

• Construir aplicações RAG (retrieval-augmented generation)
• Precisar de banco de dados vetorial local/auto-hospedado
• Quiser solução de código aberto (Apache 2.0)
• Prototipar em notebooks
• Fazer busca semântica sobre documentos
• Armazenar embeddings com metadados

Métricas:

• 24.300+ estrelas no GitHub
• 1.900+ forks
• v1.3.3 (estável, lançamentos semanais)
• Licença Apache 2.0

Use alternativas:

• Pinecone: Cloud gerenciado, auto-scaling
• FAISS: Busca de similaridade pura, sem metadados
• Weaviate: Banco de dados nativo de ML para produção
• Qdrant: Alto desempenho, baseado em Rust

Início rápido

Instalação

# Python
pip install chromadb

# JavaScript/TypeScript
npm install chromadb @chroma-core/default-embed

Uso básico (Python)

import chromadb

# Criar cliente
client = chromadb.Client()

# Criar coleção
collection = client.create_collection(name="my_collection")

# Adicionar documentos
collection.add(
    documents=["This is document 1", "This is document 2"],
    metadatas=[{"source": "doc1"}, {"source": "doc2"}],
    ids=["id1", "id2"]
)

# Consultar
results = collection.query(
    query_texts=["document about topic"],
    n_results=2
)

print(results)

Operações principais

1. Criar coleção

# Coleção simples
collection = client.create_collection("my_docs")

# Com função de embedding customizada
from chromadb.utils import embedding_functions

openai_ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key="your-key",
    model_name="text-embedding-3-small"
)

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

# Obter coleção existente
collection = client.get_collection("my_docs")

# Deletar coleção
client.delete_collection("my_docs")

2. Adicionar documentos

# Adicionar com IDs auto-gerados
collection.add(
    documents=["Doc 1", "Doc 2", "Doc 3"],
    metadatas=[
        {"source": "web", "category": "tutorial"},
        {"source": "pdf", "page": 5},
        {"source": "api", "timestamp": "2025-01-01"}
    ],
    ids=["id1", "id2", "id3"]
)

# Adicionar com embeddings customizados
collection.add(
    embeddings=[[0.1, 0.2, ...], [0.3, 0.4, ...]],
    documents=["Doc 1", "Doc 2"],
    ids=["id1", "id2"]
)

3. Consultar (busca de similaridade)

# Consulta básica
results = collection.query(
    query_texts=["machine learning tutorial"],
    n_results=5
)

# Consulta com filtros
results = collection.query(
    query_texts=["Python programming"],
    n_results=3,
    where={"source": "web"}
)

# Consulta com filtros de metadados
results = collection.query(
    query_texts=["advanced topics"],
    where={
        "$and": [
            {"category": "tutorial"},
            {"difficulty": {"$gte": 3}}
        ]
    }
)

# Acessar resultados
print(results["documents"])      # Lista de documentos correspondentes
print(results["metadatas"])      # Metadados de cada documento
print(results["distances"])      # Pontuações de similaridade
print(results["ids"])            # IDs dos documentos

4. Obter documentos

# Obter por IDs
docs = collection.get(
    ids=["id1", "id2"]
)

# Obter com filtros
docs = collection.get(
    where={"category": "tutorial"},
    limit=10
)

# Obter todos os documentos
docs = collection.get()

5. Atualizar documentos

# Atualizar conteúdo do documento
collection.update(
    ids=["id1"],
    documents=["Updated content"],
    metadatas=[{"source": "updated"}]
)

6. Deletar documentos

# Deletar por IDs
collection.delete(ids=["id1", "id2"])

# Deletar com filtro
collection.delete(
    where={"source": "outdated"}
)

Armazenamento persistente

# Persistir em disco
client = chromadb.PersistentClient(path="./chroma_db")

collection = client.create_collection("my_docs")
collection.add(documents=["Doc 1"], ids=["id1"])

# Dados persistidos automaticamente
# Recarregar mais tarde com o mesmo caminho
client = chromadb.PersistentClient(path="./chroma_db")
collection = client.get_collection("my_docs")

Funções de embedding

Padrão (Sentence Transformers)

# Usa sentence-transformers por padrão
collection = client.create_collection("my_docs")
# Modelo padrão: all-MiniLM-L6-v2

OpenAI

from chromadb.utils import embedding_functions

openai_ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key="your-key",
    model_name="text-embedding-3-small"
)

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

HuggingFace

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

collection = client.create_collection(
    name="hf_docs",
    embedding_function=huggingface_ef
)

Função de embedding customizada

from chromadb import Documents, EmbeddingFunction, Embeddings

class MyEmbeddingFunction(EmbeddingFunction):
    def __call__(self, input: Documents) -> Embeddings:
        # Sua lógica de embedding
        return embeddings

my_ef = MyEmbeddingFunction()
collection = client.create_collection(
    name="custom_docs",
    embedding_function=my_ef
)

Filtragem de metadados

# Correspondência exata
results = collection.query(
    query_texts=["query"],
    where={"category": "tutorial"}
)

# Operadores de comparação
results = collection.query(
    query_texts=["query"],
    where={"page": {"$gt": 10}}  # $gt, $gte, $lt, $lte, $ne
)

# Operadores lógicos
results = collection.query(
    query_texts=["query"],
    where={
        "$and": [
            {"category": "tutorial"},
            {"difficulty": {"$lte": 3}}
        ]
    }  # Também: $or
)

# Contém
results = collection.query(
    query_texts=["query"],
    where={"tags": {"$in": ["python", "ml"]}}
)

Integração com LangChain

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# Dividir documentos
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
docs = text_splitter.split_documents(documents)

# Criar vector store Chroma
vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    persist_directory="./chroma_db"
)

# Consultar
results = vectorstore.similarity_search("machine learning", k=3)

# Como retriever
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

Integração com LlamaIndex

from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core import VectorStoreIndex, StorageContext
import chromadb

# Inicializar Chroma
db = chromadb.PersistentClient(path="./chroma_db")
collection = db.get_or_create_collection("my_collection")

# Criar vector store
vector_store = ChromaVectorStore(chroma_collection=collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)

# Criar índice
index = VectorStoreIndex.from_documents(
    documents,
    storage_context=storage_context
)

# Consultar
query_engine = index.as_query_engine()
response = query_engine.query("What is machine learning?")

Modo servidor

# Executar servidor Chroma
# Terminal: chroma run --path ./chroma_db --port 8000

# Conectar ao servidor
import chromadb
from chromadb.config import Settings

client = chromadb.HttpClient(
    host="localhost",
    port=8000,
    settings=Settings(anonymized_telemetry=False)
)

# Usar normalmente
collection = client.get_or_create_collection("my_docs")

Melhores práticas

1. Use cliente persistente - Não perca dados ao reiniciar
2. Adicione metadados - Habilita filtragem e rastreamento
3. Operações em lote - Adicione múltiplos documentos de uma vez
4. Escolha o modelo de embedding certo - Equilibre velocidade/qualidade
5. Use filtros - Reduza o espaço de busca
6. IDs únicos - Evite colisões
7. Backups regulares - Copie o diretório chroma_db
8. Monitore tamanho da coleção - Escale se necessário
9. Teste funções de embedding - Garanta qualidade
10. Use modo servidor para produção - Melhor para multi-usuário

Desempenho

Operação	Latência	Notas
Adicionar 100 documentos	~1-3s	Com embedding
Consulta (top 10)	~50-200ms	Depende do tamanho da coleção
Filtro de metadados	~10-50ms	Rápido com indexação apropriada

Recursos

• GitHub: https://github.com/chroma-core/chroma ⭐ 24.300+
• Docs: https://docs.trychroma.com
• Discord: https://discord.gg/MMeYNTmh3x
• Versão: 1.3.3+
• Licença: Apache 2.0