作者：一位Android开发工程师 | 2026年6月29日
系列：第10天手写了完整RAG，今天用专业工具替代手写部分
前言
第9/10天我手写了向量检索——for 循环 + 余弦相似度 + 排序。这在知识库只有 5 条文档时没问题，但如果知识库有 5000 条，手写循环就太慢了。
今天学 Chroma——一个专门做向量存储和检索的数据库。
对比：手写 vs Chroma
手写版（第10天，8行）
q_vec=model.encode(question)results=[]fordocindocs:vec=model.encode(doc)sim=np.dot(vec,q_vec)/(norm(vec)*norm(q_vec))results.append((sim,doc))results.sort(reverse=True)top3=[docfor_,docinresults[:3]]Chroma 版（3行）
collection=client.create_collection(name="my_docs")collection.add(documents=docs,ids=ids)results=collection.query(query_texts=[question],n_results=3)Chroma 替你做了三件事：向量化 + 存储 + 检索。
完整代码
importchromadbfromsentence_transformersimportSentenceTransformer# 自定义 Embedding 函数（用本地中文模型）classLocalEmbedding(EmbeddingFunction):def__init__(self):self.model=SentenceTransformer("shibing624/text2vec-base-chinese")def__call__(self,input):returnself.model.encode(input).tolist()# Chroma 核心 4 行client=chromadb.Client()collection=client.create_collection(name="my_docs",embedding_function=LocalEmbedding())collection.add(documents=docs,ids=[f"doc_{i}"foriinrange(len(docs))])results=collection.query(query_texts=["协程怎么管理生命周期？"],n_results=3)踩坑：中文模型选择
一开始用all-MiniLM-L6-v2，结果"协程怎么管理生命周期"检索到的第一条是 Room 数据库相关——不是生命周期那条。
原因：all-MiniLM-L6-v2对中文语义理解不够精确。换成专为中文优化的shibing624/text2vec-base-chinese后，检索准确了——生命周期那条排到了第一。
教训：做中文 RAG 一定要用中文 Embedding 模型。
Chroma 核心 4 行（需要记住的）
client=chromadb.Client()# 1. 创建客户端collection=client.create_collection(name="xxx")# 2. 建集合（类似 CREATE TABLE）collection.add(documents=docs,ids=ids)# 3. 添加文档results=collection.query(query_texts=[q],n_results=3)# 4. 查询今天的一句话总结
Chroma 就是把第9天手写的 for 循环+余弦相似度+排序封装成了
collection.query()一行。就像用 Room 数据库替代手写 SQLite——专业工具让代码更简洁。
下一篇预告
第12天：Function Calling——让 LLM 不再只是"说"，而是能"做"。Agent 最关键的能力。
本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。
