30天从零开始学AI应用开发（Day 17）：ChromaDB 上手：给本地文档建一个“外挂大脑”

这是系列的第 17 篇。整个系列写给零基础、想入行 AI 的朋友，每天一篇，30 天后你会做出 3 个能写进简历的项目。

这篇解决什么问题

昨天你把文字变成了坐标，也感受到了"意思相近的两句话相似度更高"。今天要解决一个新问题：这些坐标存哪儿？

总不能每问一次就重新算一遍全部资料的坐标吧，那也太慢了。我们需要一个能存向量、能快速找出最近邻居的地方。这个东西叫向量数据库。

今天要用的 ChromaDB 是最好上手的向量数据库，不用装服务器、不用配环境，pip 装完就能用。今天结束的时候，你会拥有一个真的能"提问就返回相关段落"的外挂大脑。

一、向量数据库，就是给坐标建的索引

普通数据库擅长的是"精确匹配"，查 ID 为 1001 的用户、查名字叫张三的记录。但我们要的是"找离这个坐标最近的五个点"，这是完全不同的一类查询。

向量数据库就是为这类查询设计的。打个比方：普通数据库像字典，按字查；向量数据库像图书馆的书架索引，你说"我想找讲历史的"，它能把相关的几排书指给你。

名字听起来高深，你别被它唬住。今天你会看到，用起来只有三个动作：建库、塞数据、查数据。

二、装好，建个库

先装包：

bash 复制代码

pip install chromadb

Chroma 的一大好处是默认在本地存文件，不需要启动任何服务。建库的代码就三行：

python 复制代码

import chromadb

# 数据存在当前目录的 chroma_db 文件夹里，重启也不会丢
client = chromadb.PersistentClient(path="./chroma_db")

# 建一个集合（collection），可以理解成一张表
collection = client.get_or_create_collection(name="my_docs")

注意 get_or_create 这个名字：有就打开，没有就建。所以这段代码重复运行也没问题，第二次会直接打开已有的库。

三、塞数据：三步一份

往库里存东西，要准备三样：

documents：原文（存进去方便后面拿出来给 AI 用）
embeddings：向量（Chroma 可以自己算，但为了统一，建议我们显式传）
ids：每条的唯一编号（必须，用来自查和更新）

python 复制代码

from openai import OpenAI

oai = OpenAI(api_key="你的密钥", base_url="https://api.deepseek.com")

def embed(text):
    """复用昨天的函数，把文字变成向量"""
    r = oai.embeddings.create(
        model="embedding-model-name",
        input=text
    )
    return r.data[0].embedding

# 假设这是你切好的资料片段
chunks = [
    "公司差旅费报销流程：先提交申请单，出差结束后五个工作日内提交发票。",
    "差旅标准：市内交通每天不超过 100 元，住宿费按城市级别报销。",
    "员工请假流程：提前一天在系统提交申请，由直属主管审批。",
]

# 批量入库：一个文件对应一份资料
collection.add(
    documents=chunks,
    embeddings=[embed(c) for c in chunks],      # 逐条算向量
    ids=[f"doc_{i}" for i in range(len(chunks))]  # 生成唯一编号
)

print("入库完成，共", collection.count(), "条")

关键在 ids 这一步。它就相当于每份资料的门牌号，重复的 id 会被当成同一条覆盖掉，所以生成时要保证唯一。

四、查数据：问一句，拿回相关段落

这一步是见证时刻。你直接用大白话提问，看它能不能把对的段落捞出来：

python 复制代码

question = "出差住宿怎么报销？"

result = collection.query(
    query_embeddings=[embed(question)],    # 把问题也变成向量
    n_results=2                            # 只要最相近的 2 条
)

print("查到的资料：")
for doc in result["documents"][0]:
    print("-", doc)

跑一下，你会看到它返回的是差旅报销和差旅标准那两条，请假那条没有被选上。注意，提问里用的是"住宿报销"，原文里写的是"住宿费按城市级别报销"，字面上并不完全一致，但依然被准确找到了。这就是昨天讲的向量检索的威力。

五、把检索和回答接起来

现在把两头连上，就有了一个最小的 RAG：

python 复制代码

def ask(question):
    # 第一步：检索
    result = collection.query(
        query_embeddings=[embed(question)],
        n_results=2
    )
    context = "\n".join(result["documents"][0])    # 把资料拼成一段

    # 第二步：让 AI 基于资料回答
    prompt = f"""请只根据下面的资料回答问题，资料里没有就说"资料中没有提到"。
不要使用资料之外的知识。

资料：
{context}

问题：{question}"""

    response = oai.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

print(ask("出差住宿怎么报销？"))

提示词里那两句约束是灵魂所在：只根据资料回答、资料里没有就说不知道。这是 RAG 治幻觉的关键，也是 Day 8 讲的"把隐性要求变成显性要求"的实战。

试着问一个资料里没有的问题，比如"年假有多少天"，它应该老实告诉你资料里没写，而不是编一个数出来。

常见报错排查

报错一：chromadb 装不上，卡在编译依赖。

优先升级 pip 再装。如果还是不行，指定清华源：pip install chromadb -i https://pypi.tuna.tsinghua.edu.cn/simple。

报错二：入库时提示 embeddings 维度不一致。

说明不同批次用了不同的 Embedding 模型。同一个集合里所有向量必须来自同一个模型，检查一下调用代码。

报错三：query 返回的结果不太相关。

三个可能：一是切分太粗（一段太长，混了多个主题）；二是检索条数太少，试试加大 n_results；三是文档本身不含答案。切分的问题 Day 18 专门讲。

报错四：ids 重复导致数据被覆盖。

生成 id 时带上序号或者文件名，别只用内容做 id。

报错五：数据没保存住，重启后没了。

检查是不是用了临时客户端。想要持久化，必须用 PersistentClient 并指定 path。

今天的作业

把你的一份真实资料（笔记、手册、常见问题都可以）切分成几段，入库，然后问它三个问题：两个资料里有的，一个资料里没有的。把结果贴到评论区，尤其是最后那个问题的回答，看看它有没有老实说"资料里没有"。

明天预告

Day 18：《文档切分与检索优化：RAG 效果好坏的分水岭》。今天库建起来了，但效果只能说能用。为什么有时候它答得准，有时候答非所问？问题多半出在切分上。明天讲清楚切分的原则、怎么定每段长度、怎么提升召回率。这一篇的内容，直接决定你的项目能不能拿出手。

*系列目录：30天从零开始学AI应用开发