chroma
Open-source embedding database for AI applications. Store embeddings and metadata, perform vector and full-text search, filter by metadata. Simple 4-function API. Scales from notebooks to production clusters. Use for semantic search, RAG applications, or document retrieval. Best
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Open-source embedding database for AI applications. Store embeddings and metadata, perform vector and full-text search, filter by metadata. Simple 4-function API. Scales from notebooks to production clusters. Use for semantic search, RAG applications, or document retrieval. Best for local development and open-source projects.
How to use
Zainstaluj bibliotekę Chroma za pomocą pip install chromadb (Python) lub npm install chromadb @chroma-core/default-embed (JavaScript/TypeScript).
Zainicjuj klienta i utwórz kolekcję, w której będziesz przechowywać dokumenty: client = chromadb.Client(), a następnie collection = client.create_collection(name="nazwa_kolekcji").
Dodaj dokumenty do kolekcji wraz z metadanymi i identyfikatorami: collection.add(documents=["tekst dokumentu"], metadatas=[{"źródło": "nazwa"}], ids=["id1"]).
Wykonaj zapytanie semantyczne, podając tekst wyszukiwania i liczbę wyników: results = collection.query(query_texts=["szukany temat"], n_results=2).
Wyniki zawierają dokumenty najbliższe semantycznie do Twojego zapytania — możesz je wyświetlić lub przetworzyć dalej w aplikacji.