[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-chroma::ru":3,"gloss-cluster-chroma::ru":19,"gloss-next-chroma::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"chroma","data-infra","Chroma","Chroma (часто называемая ChromaDB) — это открытая векторная база данных, оптимизированная под удобство разработчика и быструю локальную итерацию. Если Pinecone нацелен на продакшен-масштаб как управляемый сервис, ниша Chroma — противоположный конец рабочего процесса: она в одном `pip install chromadb`, запускается внутри процесса Python-скрипта, Jupyter-ноутбука или лёгкого Docker-контейнера, требуя нулевой внешней инфраструктуры для запуска RAG-прототипа. Почему это важно для AI\u002FSaaS-разработчиков: самый быстрый способ проверить, действительно ли retrieval-augmented generation решит продуктовую проблему, — построить одноразовый прототип, и Chroma убирает из этого цикла любое трение, связанное с настройкой: не нужны API-ключи, облачный аккаунт, оплата. Именно поэтому она стала векторным хранилищем по умолчанию в примерах «быстрого старта» LangChain и LlamaIndex, и многие команды выпускают её в продакшен для небольших-средних наборов данных, прежде чем «повышаться» до Pinecone, Qdrant или pgvector, когда понадобится многоузловой масштаб или более строгие операционные гарантии. Как это работает: Chroma хранит векторы, документы и метаданные вместе в «коллекциях» (примерно аналог таблицы). Она берёт на себя шаг эмбеддинга, если вы не передаёте векторы напрямую, — передайте сырой текст и настроенную функцию эмбеддинга, и Chroma автоматически обратится к OpenAI, Sentence-Transformers или другому провайдеру. Под капотом она использует индекс HNSW (через библиотеку hnswlib) для приближённого поиска ближайших соседей и сохраняет данные на диск (SQLite + хранилище наподобие Parquet), так что локальная коллекция переживает перезапуски процесса. Она поддерживает фильтрацию по метаданным с синтаксисом запросов в стиле Mongo (`where={\"category\": \"faq\", \"views\": {\"$gt\": 100}}`) и может работать в клиент-серверном режиме для небольших продакшен-развёртываний. Разбор примера: независимый разработчик создаёт инструмент «чат с вашим PDF». При загрузке файла бэкенд разбивает PDF на фрагменты по 800 символов с перекрытием в 100 символов, создаёт коллекцию Chroma, привязанную к этому документу (`chroma_client.create_collection(name=f\"doc_{file_id}\")`), и добавляет фрагменты через `collection.add(documents=chunks, ids=chunk_ids)`. Во время запроса `collection.query(query_texts=[\"Каков срок уведомления о расторжении?\"], n_results=4)` возвращает наиболее релевантные фрагменты, которые встраиваются в промпт для LLM. Поскольку всё работает в одном процессе Python, весь прототип выпускается менее чем в 100 строках кода без необходимости в облачной векторной базе данных. Chroma также поставляется с клиент-серверным режимом (`chromadb.HttpClient`) для команд, которые хотят сохранить тот же простой API, но перенести хранение на общий сервер, когда прототип начинает получать реальное использование, — смягчая обрыв «переходи на большую базу данных», характерный для некоторых инструментов прототипирования. Chroma поддерживается как по-настоящему открытый проект (лицензия Apache 2.0) с опциональным размещённым предложением «Chroma Cloud» для команд, которые хотят тот же API без самостоятельного хостинга сервера, — но, в отличие от Pinecone, запуск её самостоятельно бесплатно, без оплаты по использованию, остаётся полностью поддерживаемым и именно так её сегодня фактически эксплуатирует в продакшене большинство небольших и средних команд.","Chroma — открытая, удобная для разработчика векторная база данных, работающая локально или встроенно, популярная для прототипирования RAG-приложений.",null,[11,14,16],{"slug":12,"name":13},"chunking","Чанкинг (Chunking)",{"slug":15,"name":15},"pgvector",{"slug":17,"name":18},"vector-store","Векторное хранилище (Vector Store)",[20,24,27,30,33,37,40,43,46,50,53,56],{"slug":21,"category":5,"name":22,"updated_at":23},"acid","ACID","2026-08-24T02:46:37+00:00",{"slug":25,"category":5,"name":26,"updated_at":23},"ann-search","ANN-поиск (приближённый поиск ближайших соседей)",{"slug":28,"category":5,"name":29,"updated_at":23},"backpressure","Обратное давление (backpressure)",{"slug":31,"category":5,"name":32,"updated_at":23},"batch-processing","Пакетная обработка (Batch Processing)",{"slug":34,"category":5,"name":35,"updated_at":36},"bm25","BM25","2026-08-24T02:46:38+00:00",{"slug":38,"category":5,"name":39,"updated_at":23},"cache","Кэш (Cache)",{"slug":41,"category":5,"name":42,"updated_at":23},"cap-theorem","Теорема CAP (CAP theorem)",{"slug":44,"category":5,"name":45,"updated_at":23},"change-data-capture","Захват изменений данных (CDC)",{"slug":47,"category":5,"name":48,"updated_at":49},"chunk-overlap","Перекрытие фрагментов","2026-08-24T03:30:02+00:00",{"slug":51,"category":5,"name":52,"updated_at":23},"columnar-storage","Колоночное хранение",{"slug":54,"category":5,"name":55,"updated_at":23},"connection-pooling","Пулинг соединений (Connection Pooling)",{"slug":57,"category":5,"name":58,"updated_at":23},"cosine-similarity","Косинусное сходство (Cosine Similarity)"]