[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-chroma::tr":3,"gloss-cluster-chroma::tr":19,"gloss-next-chroma::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"chroma","data-infra","Chroma","Chroma (genellikle ChromaDB olarak anılır), geliştirici deneyimi ve hızlı yerel iterasyon için optimize edilmiş açık kaynaklı bir vektör veritabanıdır. Pinecone yönetilen bir hizmet olarak production ölçeğini hedeflerken, Chroma'nın niş alanı iş akışının tam tersi ucudur: bir `pip install chromadb` uzaklıkta, bir Python betiği, bir Jupyter notebook'u veya hafif bir Docker konteyneri içinde süreç içinde (in-process) çalıştırılabilir; bir RAG prototipini çalışır hale getirmek için sıfır harici altyapı gerekir. AI\u002FSaaS kuran ekipler için neden önemli: retrieval-augmented generation'ın bir ürün sorununu gerçekten çözüp çözmeyeceğini doğrulamanın en hızlı yolu bir kullan-at prototip inşa etmektir ve Chroma bu döngüden her kurulum sürtünmesini kaldırır — API anahtarı yok, bulut hesabı yok, faturalandırma yok. Tam da bu nedenle LangChain ve LlamaIndex'in \"hızlı başlangıç\" örneklerinde varsayılan vektör deposu haline gelmiştir ve birçok ekip, çok düğümlü ölçeğe veya daha katı operasyonel garantilere ihtiyaç duyana kadar Pinecone, Qdrant veya pgvector'a \"terfi etmeden\" önce küçük-orta ölçekli veri setleri için onu production'a gönderir. Nasıl çalışır: Chroma vektörleri, belgeleri ve metadata'yı \"collection\"larda (kabaca bir tabloya benzer) birlikte saklar. Vektörleri doğrudan sağlamazsanız embedding adımını sizin için halleder — ham metin ve yapılandırılmış bir embedding fonksiyonu geçirin, Chroma otomatik olarak OpenAI, Sentence-Transformers veya başka bir sağlayıcıyı çağırır. Arka planda, yaklaşık en yakın komşu araması için (hnswlib kütüphanesi üzerinden) bir HNSW indeksi kullanır ve veriyi diske kalıcı hale getirir (SQLite + Parquet benzeri depolama); böylece yerel bir collection süreç yeniden başlatmalarından sağ çıkar. Mongo tarzı sorgu sözdizimiyle metadata filtrelemeyi destekler (`where={\"category\": \"faq\", \"views\": {\"$gt\": 100}}`) ve küçük production dağıtımları için istemci-sunucu modunda çalışabilir. Örnek üzerinden: bağımsız bir geliştirici bir \"PDF'inle sohbet et\" aracı inşa ediyor. Dosya yüklendiğinde, backend PDF'i 100 karakter örtüşmeli 800 karakterlik parçalara böler, o belgeye özel bir Chroma collection'ı oluşturur (`chroma_client.create_collection(name=f\"doc_{file_id}\")`) ve parçaları `collection.add(documents=chunks, ids=chunk_ids)` ile ekler. Sorgu zamanında, `collection.query(query_texts=[\"Fesih bildirim süresi nedir?\"], n_results=4)` en alakalı parçaları döndürür; bunlar LLM promptuna dikilir. Her şey tek bir Python sürecinde çalıştığından, hiçbir bulut vektör veritabanına ihtiyaç duyulmadan tüm prototip 100 satırdan az kodla gönderilir. Chroma ayrıca, aynı basit API'yi koruyup depolamayı prototip gerçek kullanım almaya başladıkça paylaşılan bir sunucuya taşımak isteyen ekipler için bir istemci-sunucu modu (`chromadb.HttpClient`) sunar; bu, bazı prototipleme araçlarının sahip olduğu \"daha büyük bir veritabanına terfi et\" uçurumunu yumuşatır. Chroma, gerçek anlamda açık kaynaklı bir proje olarak (Apache 2.0 lisanslı) sunucuyu kendileri barındırmak istemeyen ekipler için opsiyonel bir barındırılan \"Chroma Cloud\" teklifiyle birlikte sürdürülmektedir — ama Pinecone'un aksine, onu ücretsiz, kullanıma dayalı faturalandırma olmadan kendiniz çalıştırmak tamamen desteklenmeye devam ediyor ve küçük ve orta ölçekli ekiplerin çoğu bugün onu production'da fiilen bu şekilde çalıştırıyor.","Chroma, yerel veya gömülü olarak çalışan, RAG uygulamalarını prototiplemede popüler, açık kaynaklı, geliştirici dostu bir embedding veritabanıdır.",null,[11,14,16],{"slug":12,"name":13},"chunking","Chunking (Parçalama)",{"slug":15,"name":15},"pgvector",{"slug":17,"name":18},"vector-store","Vektör Deposu (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 Arama (Yaklaşık En Yakın Komşu)",{"slug":28,"category":5,"name":29,"updated_at":23},"backpressure","Geri Basınç (Backpressure)",{"slug":31,"category":5,"name":32,"updated_at":23},"batch-processing","Toplu İşleme (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","Önbellek (Cache)",{"slug":41,"category":5,"name":42,"updated_at":23},"cap-theorem","CAP Teoremi (CAP Theorem)",{"slug":44,"category":5,"name":45,"updated_at":23},"change-data-capture","Değişiklik Veri Yakalama (CDC)",{"slug":47,"category":5,"name":48,"updated_at":49},"chunk-overlap","Parça Örtüşmesi","2026-08-24T03:30:02+00:00",{"slug":51,"category":5,"name":52,"updated_at":23},"columnar-storage","Sütun Tabanlı Depolama",{"slug":54,"category":5,"name":55,"updated_at":23},"connection-pooling","Bağlantı Havuzlama (Connection Pooling)",{"slug":57,"category":5,"name":58,"updated_at":23},"cosine-similarity","Kosinüs Benzerliği (Cosine Similarity)"]