# Chroma: Developer-अनुकूल Embedded Store — Vector Databases

Source: https://www.geekswithgeeks.com/hi/vector-databases/e-chroma

> Prototypes, notebooks और छोटे apps के लिए हल्का engine उपयोग करें।

## शुरू करना जल्दी, कम knobs

**Chroma** developer उत्पादकता को लक्ष्य करने वाला open-source embedding database है। आप **collection** बनाते हैं, records (ids, embeddings या documents, metadata) `add` करते हैं और embeddings या पाठ से `query` करते हैं, वैकल्पिक रूप से `where` metadata filter के साथ। यह **in-process** (memory में या folder में सहेजकर) या **server** के रूप में चल सकता है। Documents को embeddings के बिना दें तो यह आपके लिए **embedding function** बुलाता है, जो मॉडल डाउनलोड या call कर सकता है; नीचे के उदाहरण में हम अपने vectors देते हैं ताकि कुछ डाउनलोड न हो। ऐसे embedded stores prototypes, tests और छोटे एकल-user apps के लिए उत्कृष्ट हैं; बड़े बहु-user production कार्यभार के लिए scale, filtering, replication और संचालन पर उसकी अन्य परिवारों से तुलना करें।

## वही विचार, अलग APIs

अधिकांश engines collections, upserts, filtered queries और deletes देते हैं; उनकी तुलना feature सूची पर नहीं, अपने कार्यभार पर करें।

![तीन सवाल: API, सुविधाएँ, प्रमाण।](assets/figures/vector-databases/section-5-map.svg) — चित्र 5.1 — API, सुविधाएँ और प्रमाण।

## Chroma: add, query, filter, delete, चलाकर

मैंने यह Python virtual environment में qdrant-client 1.19.1 (स्थानीय in-memory mode) और chromadb 1.5.9 (in-memory client) के साथ चलाया। Cosine दूरी के साथ `[1,0,0]` के निकटतम records a, d, b हैं, छोटी दूरियों के साथ। Tenant `acme` और वर्ष 2025 का `where` filter a और c छोड़ता है। d हटाने के बाद गिनती 3 है।

```python
import chromadb

client = chromadb.EphemeralClient()                       # in-memory; we pass our own vectors, so no model download
col = client.create_collection("docs", metadata={"hnsw:space": "cosine"})
col.add(
    ids=["a", "b", "c", "d"],
    embeddings=[[0.9, 0.1, 0.0], [0.8, 0.2, 0.1], [0.1, 0.9, 0.1], [0.9, 0.0, 0.2]],
    documents=["leave policy 2025", "old leave policy", "travel and hotels", "beta confidential memo"],
    metadatas=[{"tenant": "acme", "year": 2025}, {"tenant": "acme", "year": 2022},
               {"tenant": "acme", "year": 2025}, {"tenant": "beta", "year": 2025}],
)
r = col.query(query_embeddings=[[1, 0, 0]], n_results=3)
print("no filter :", r["ids"][0], [round(d, 3) for d in r["distances"][0]])
r = col.query(query_embeddings=[[1, 0, 0]], n_results=3, where={"$and": [{"tenant": "acme"}, {"year": 2025}]})
print("with where:", r["ids"][0], r["documents"][0])
col.delete(ids=["d"])
print("count after delete:", col.count())

```

Output:

```
no filter : ['a', 'd', 'b'] [0.006, 0.024, 0.037]
with where: ['a', 'c'] ['leave policy 2025', 'travel and hotels']
count after delete: 3
```

## Production में अपने embeddings दें

Embedding model ख़ुद नियंत्रित करने से vectors दोहराने योग्य रहते हैं और अनपेक्षित मॉडल डाउनलोड से बचाव होता है।

**Quiz:** दस्तावेज़ बिना embeddings के add करने पर Chroma क्या करता है?

- [ ] उन्हें images के रूप में रखता है
- [ ] सारे inserts अस्वीकार करता है
- [x] उन्हें बनाने के लिए configured embedding function बुलाता है
- [ ] Collection हटाता है

*Answer:* उन्हें बनाने के लिए configured embedding function बुलाता है. सुविधाजनक, पर मॉडल डाउनलोड या call कर सकता है; नियंत्रण के लिए अपने vectors दें।