Base de datos de embeddings open source para búsqueda vectorial local, self-hosted y Chroma Cloud
Chroma documenta en docs.trychroma.com una base de embeddings open source para almacenar y consultar vectores, metadatos y texto en clientes Python y JavaScript. Cubre colecciones en memoria, almacenamiento persistente, servidor self-hosted y Chroma Cloud con tokens. APIs: add/query/get/update/delete, funciones de embedding e híbrido para RAG y memoria de agentes.
Casos de uso
- Prototipos RAG locales antes de escalar a cloud
- Memoria de agentes con namespaces por usuario
- CI con clientes efímeros en memoria
- Chroma Cloud en producción
- Enseñanza de vector DB sin Postgres/pgvector
Funciones principales
- Clientes persistentes y en memoria
- APIs de colección con filtrado de metadatos
- Integraciones de embedding (default, Cohere, OpenAI, etc.)
- Servidor HTTP self-hosted y Chroma Cloud
- Búsqueda híbrida y full-text documentada
Relacionados
Relacionados
3 Entradas indexadas
Milvus
Milvus documenta en milvus.io/docs una base vectorial de alto rendimiento con filtrado de metadatos e híbrida. Modos: Milvus Lite, Standalone (Docker) y Distributed (Kubernetes). SDKs: PyMilvus, Go, Java, Node.js; Zilliz Cloud gestionado. Arquitectura desacoplada con object storage (MinIO, S3, Azure).
Weaviate
Weaviate documenta en docs.weaviate.io/weaviate una base vectorial open source para objetos y embeddings con búsqueda semántica, keyword e híbrida, RAG y agentes. Incluye Docker/Kubernetes, Weaviate Cloud, Query Agent y Embeddings gestionados. Clientes: Python (weaviate-client v4, Weaviate 1.23.7+), TypeScript, Go, Java vía REST/gRPC/GraphQL.
LanceDB
LanceDB documenta en docs.lancedb.com un lakehouse multimodal sobre el formato Lance para vectores, metadatos y embeddings en tablas unificadas. LanceDB OSS es biblioteca embebida (Python, TypeScript, Rust); LanceDB Enterprise es lakehouse distribuido gestionado. Incluye búsqueda vector/semántica, BM25, híbrida con SQL, versionado e integración con object stores.