faiss向量数据库的使用以及讲过了，今天看看chroma 如何使用

存储向量数据，并持久化

chroma 向量数据文件默认保存在当前项目下，我们可以指定某个文件当成他的索引存储目录 如chromadata

def save_documents_each_chroma(documents, index="finance_index",slice_size= 100):
    index = "chromadata/"+index
    print("documents:", str(len(documents)))
    docs = text_splitter.split_documents(documents)
    print("docs:", str(len(docs)))
    len_num = 0
    tmp_num = 0
    tmp_list = []
    for doc in docs:
        if len(doc.page_content) < 50:
            print("当前内容过少跳过:",doc.page_content)
            continue;
        len_num+=1
        tmp_num+=1
        tmp_list.append(doc)
        if tmp_num >= slice_size:
            vectordb = Chroma.from_documents(documents=tmp_list,embedding=embeddings,persist_directory=index)
            tmp_list = []
            tmp_num = 0
        print("当前第:",str(len_num))
    ##如果有剩余的不满于上述条件的，再多存一下
    if tmp_list:
        vectordb = Chroma.from_documents(documents=tmp_list,embedding=embeddings,persist_directory=index)
    vectordb.persist()
    vectordb = None
    return vectordb
这样就能把数据保存进去了，下面我们查询试试看
langchain提供的查询方式针对不同向量数据库都差不多，示例
def search_documents_by_chroma(index="finance_index", query="", limit=5):
    vectordb = Chroma(persist_directory=index, embedding_function=embeddings)
    docs = vectordb.similarity_search(query, k=limit)
    return docs
我们使用flask直观一点，调用试试看
@app.route('/search', methods=['GET','POST'])
def search():
    # 调用接口，返回响应给客户端
    query = request.values.get('query','')
    print(query)
    docs = search_documents_by_chroma(index,query,3)
    print("all_len:",len(docs))
    ##转为字典输出
    txt_list = documents2dict(docs)
    return txt_list
        php @妙手医生