이 노트북은 Chroma vector store를 시작하는 방법을 다룹니다.
Chroma는 개발자 생산성과 만족도에 중점을 둔 AI 네이티브 오픈소스 vector database입니다. Chroma는 Apache 2.0 라이선스로 제공됩니다. Chroma의 전체 문서는 이 페이지에서 확인할 수 있으며, LangChain 통합을 위한 API 레퍼런스는 이 페이지에서 찾을 수 있습니다.
Chroma CloudChroma Cloud는 서버리스 vector 및 full-text search를 지원합니다. 매우 빠르고, 비용 효율적이며, 확장 가능하고 간편합니다. 30초 이내에 DB를 생성하고 $5의 무료 크레딧으로 사용해보세요.Chroma Cloud 시작하기

​
Setup

Chroma vector store에 액세스하려면 langchain-chroma 통합 패키지를 설치해야 합니다. 
pip install -qU "langchain-chroma>=0.1.2"

​
Credentials

위의 패키지만 설치하면 자격 증명 없이도 Chroma vector store를 사용할 수 있습니다! Chroma Cloud 사용자인 경우, CHROMA_TENANT, CHROMA_DATABASE, CHROMA_API_KEY 환경 변수를 설정하세요. chromadb 패키지를 설치하면 Chroma CLI에도 액세스할 수 있으며, 이를 통해 이러한 값을 설정할 수 있습니다. 먼저 CLI를 통해 로그인한 다음 connect 명령을 사용하세요: 
chroma db connect [db_name] --env-file
모델 호출에 대한 최고 수준의 자동 추적을 원하는 경우 아래 주석을 해제하여 LangSmith API key를 설정할 수도 있습니다: 
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
Initialization

​
Basic Initialization

다음은 데이터를 로컬에 저장하기 위한 디렉토리 사용을 포함한 기본 초기화입니다. 
# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

​
Running Locally (In-Memory)

collection 이름과 embeddings provider만으로 Chroma 인스턴스를 생성하여 메모리에서 실행되는 Chroma 서버를 얻을 수 있습니다: 
from langchain_chroma import Chroma

vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
)
데이터 지속성이 필요하지 않다면, LangChain으로 AI 애플리케이션을 구축하는 동안 실험하기에 좋은 옵션입니다.

​
Running Locally (with Data Persistence)

프로그램의 여러 실행에 걸쳐 데이터를 저장하려면 persist_directory 인수를 제공할 수 있습니다: 
from langchain_chroma import Chroma

vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
    persist_directory="./chroma_langchain_db",
)

​
Connecting to a Chroma Server

로컬에서 실행 중인 Chroma 서버가 있거나 직접 배포한 경우, host 인수를 제공하여 연결할 수 있습니다. 예를 들어, chroma run으로 로컬에서 실행 중인 Chroma 서버를 시작한 다음 host='localhost'로 연결할 수 있습니다: 
from langchain_chroma import Chroma

vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
    host="localhost",
)
다른 배포의 경우 port, ssl, headers 인수를 사용하여 연결을 사용자 정의할 수 있습니다.

​
Chroma Cloud

Chroma Cloud 사용자도 LangChain으로 구축할 수 있습니다. Chroma 인스턴스에 Chroma Cloud API key, tenant, DB 이름을 제공하세요: 
from langchain_chroma import Chroma

vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
    chroma_cloud_api_key=os.getenv("CHROMA_API_KEY"),
    tenant=os.getenv("CHROMA_TENANT"),
    database=os.getenv("CHROMA_DATABASE"),
)

​
Initialization from client

Chroma client에서 초기화할 수도 있으며, 이는 기본 데이터베이스에 더 쉽게 액세스하려는 경우 특히 유용합니다.

​
Running Locally (In-Memory)

import chromadb

client = chromadb.Client()

​
Running Locally (with Data Persistence)

import chromadb

client = chromadb.PersistentClient(path="./chroma_langchain_db")

​
Connecting to a Chroma Server

예를 들어, 로컬에서 Chroma 서버를 실행하는 경우(chroma run 사용): 
import chromadb

client = chromadb.HttpClient(host="localhost", port=8000, ssl=False)

​
Chroma Cloud

CHROMA_API_KEY, CHROMA_TENANT, CHROMA_DATABASE를 설정한 후 간단히 인스턴스화할 수 있습니다: 
import chromadb

client = chromadb.CloudClient()

​
Access your Chroma DB

collection = client.get_or_create_collection("collection_name")
collection.add(ids=["1", "2", "3"], documents=["a", "b", "c"])

​
Create a Chroma Vectorstore

vector_store_from_client = Chroma(
    client=client,
    collection_name="collection_name",
    embedding_function=embeddings,
)

​
Manage vector store

vector store를 생성한 후에는 다양한 항목을 추가하고 삭제하여 상호 작용할 수 있습니다.

​
Add items to vector store

add_documents 함수를 사용하여 vector store에 항목을 추가할 수 있습니다. 
from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
    id=1,
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees.",
    metadata={"source": "news"},
    id=2,
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
    id=3,
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
    id=4,
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
    id=5,
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
    id=6,
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
    id=7,
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
    id=8,
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
    id=9,
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
    id=10,
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)

​
Update items in vector store

이제 vector store에 문서를 추가했으므로 update_documents 함수를 사용하여 기존 문서를 업데이트할 수 있습니다. 
updated_document_1 = Document(
    page_content="I had chocolate chip pancakes and fried eggs for breakfast this morning.",
    metadata={"source": "tweet"},
    id=1,
)

updated_document_2 = Document(
    page_content="The weather forecast for tomorrow is sunny and warm, with a high of 82 degrees.",
    metadata={"source": "news"},
    id=2,
)

vector_store.update_document(document_id=uuids[0], document=updated_document_1)
# You can also update multiple documents at once
vector_store.update_documents(
    ids=uuids[:2], documents=[updated_document_1, updated_document_2]
)

​
Delete items from vector store

다음과 같이 vector store에서 항목을 삭제할 수도 있습니다: 
vector_store.delete(ids=uuids[-1])

​
Query vector store

vector store가 생성되고 관련 문서가 추가되면 chain이나 agent를 실행하는 동안 쿼리하고 싶을 것입니다.

​
Query directly

간단한 similarity search는 다음과 같이 수행할 수 있습니다: 
results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy",
    k=2,
    filter={"source": "tweet"},
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

​
Similarity search with score

similarity search를 실행하고 해당 점수를 받으려면 다음을 실행할 수 있습니다: 
results = vector_store.similarity_search_with_score(
    "Will it be hot tomorrow?", k=1, filter={"source": "news"}
)
for res, score in results:
    print(f"* [SIM={score:3f}] {res.page_content} [{res.metadata}]")

​
Search by vector

vector로 검색할 수도 있습니다: 
results = vector_store.similarity_search_by_vector(
    embedding=embeddings.embed_query("I love green eggs and ham!"), k=1
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

​
Other search methods

이 노트북에서 다루지 않는 MMR search나 vector로 검색하는 것과 같은 다양한 다른 검색 방법이 있습니다. AstraDBVectorStore에서 사용 가능한 검색 기능의 전체 목록은 API reference를 확인하세요.

​
Query by turning into retriever

vector store를 retriever로 변환하여 chain에서 더 쉽게 사용할 수도 있습니다. 전달할 수 있는 다양한 검색 유형과 kwargs에 대한 자세한 내용은 여기 API reference를 참조하세요. 
retriever = vector_store.as_retriever(
    search_type="mmr", search_kwargs={"k": 1, "fetch_k": 5}
)
retriever.invoke("Stealing from the bank is a crime", filter={"source": "news"})

​
Usage for retrieval-augmented generation

retrieval-augmented generation (RAG)에 이 vector store를 사용하는 방법에 대한 가이드는 다음 섹션을 참조하세요:

​
API reference

모든 Chroma vector store 기능 및 구성에 대한 자세한 문서는 API reference를 참조하세요: python.langchain.com/api_reference/chroma/vectorstores/langchain_chroma.vectorstores.Chroma.html
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I