Cơ sở dữ liệu Vector Chroma

Đến năm 2026, **Chroma** đã trở thành một trong những cơ sở dữ liệu vector mã nguồn mở nhẹ nhất và dễ sử dụng nhất trong phát triển ứng dụng AI. Nó được thiết kế đặc biệt cho các kịch bản LLM (Mô hình ngôn ngữ lớn) và RAG (Tạo sinh tăng cường bằng truy xuất), nhấn mạnh "khởi động không cần cấu hình" và "thân thiện với nhà phát triển".

Bài viết này sẽ đi sâu vào cơ chế hoạt động cốt lõi, chi tiết API và hướng dẫn thực chiến của Chroma.

1. Cơ chế hoạt động cốt lõi: Tại sao Chroma lại nhanh?

Khác với các cơ sở dữ liệu quan hệ truyền thống lưu trữ dữ liệu theo dạng hàng và cột, Chroma lưu trữ vector có chiều cao (Embeddings). Kiến trúc cốt lõi của nó bao gồm ba thành phần chính:

1.1. Mô hình dữ liệu (Data Model)

Đơn vị lưu trữ cơ bản của Chroma là Collection (Bộ sưu tập), tương tự như "bảng" trong SQL. Mỗi Collection chứa:

• ID (Chuỗi): Định danh duy nhất (ví dụ: van_ban_001).
• Embedding (Vector): Mảng số thực (ví dụ: [0.12, -0.45, ...]), đại diện cho đặc trưng ngữ nghĩa của dữ liệu.
• Document/Metadata (Tùy chọn): Văn bản/dữ liệu gốc cùng với các thông tin bổ sung (ví dụ: {"nguon": "wikipedia", "nam": "2026"}).
• URI (Tùy chọn): Liên kết đến các tệp lớn bên ngoài.

1.2. Cơ chế lập chỉ mục và truy xuất (Indexing & Retrieval)

• HNSW (Hierarchical Navigable Small World): Chroma mặc định sử dụng thuật toán HNSW để xây dựng chỉ mục xấp xỉ nearest neighbor (ANN).
  - Nguyên lý: Xây dựng không gian vector thành một cấu trúc đồ thị nhiều lớp. Khi tìm kiếm, định vị thô ở tầng trên cùng, sau đó tìm kiếm chi tiết dần xuống các tầng thấp hơn, có thể thực hiện truy xuất ở mức mili giây ngay cả với hàng tỷ dữ liệu.
  - Lợi thế: Nhanh hơn nhiều bậc độ lớn so với tìm kiếm bạo lực (Brute-force), đồng thời có tỷ lệ thu hồi rất cao.
• Đo lường khoảng cách: Hỗ trợ Cosine Similarity (Độ tương đồng cosin, mặc định), L2 (Khoảng cách Euclid), IP (Tích vô hướng).

1.3. Kiến trúc lưu trữ (Storage Architecture)

• Chế độ cục bộ (Persistent Client): Dữ liệu được lưu trực tiếp trên đĩa cục bộ (SQLite + tệp vector), phù hợp với phát triển, kiểm thử trên một máy và các môi trường sản xuất nhỏ.
• Chế độ Client-Server: Phiên bản Chroma 2026 đã tăng cường khả năng phân tán, hỗ trợ triển khai Docker, có thể kết nối với S3 object storage và các nút tính toán từ xa để mở rộng theo chiều ngang.

2. Cài đặt và Cấu hình Môi trường

2.1. Cài đặt Python (Khuyến nghị)

pip install chromadb
# Để có hiệu năng nhúng tốt hơn, nên cài đặt thêm
pip install sentence-transformers

2.2. Triển khai Docker (Khuyến nghị cho môi trường sản xuất)

docker run -p 8000:8000 chromadb/chroma:latest

2.3. Xác minh cài đặt

import chromadb
print(chromadb.__version__) # Phiên bản mới nhất năm 2026 thường là 1.x hoặc 0.5+

3. Chi tiết API cốt lõi (Phiên bản Python)

API của Chroma được thiết kế cực kỳ đơn giản, các thao tác cốt lõi chỉ cần 5 bước: Kết nối → Tạo bộ sưu tập → Thêm dữ liệu → Truy vấn → Cập nhật/Xóa.

3.1. Khởi tạo Client (Client Initialization)

import chromadb
from chromadb.config import Settings

# Chế độ A: Lưu trữ cục bộ (dữ liệu nằm trong thư mục ./chroma_db)
klient = chromadb.PersistentClient(duong_dan="./chroma_db")

# Chế độ B: Chế độ bộ nhớ (dữ liệu mất khi khởi động lại, phù hợp cho kiểm thử đơn vị)
# klient = chromadb.EphemeralClient()

# Chế độ C: Client HTTP từ xa (kết nối Docker hoặc dịch vụ đám mây)
# klient = chromadb.HttpClient(host="localhost", port=8000)

3.2. Quản lý Bộ sưu tập (Collections)

Bộ sưu tập là đơn vị logic để phân tách dữ liệu.

# Tạo hoặc lấy bộ sưu tập (nếu đã tồn tại thì lấy trực tiếp)
tap_hop = klient.get_or_create_collection(
    ten="tai_lieu_cua_toi",
    thong_tin_phu={"mo_ta": "Cơ sở tri thức công ty năm 2026"},
    # Chỉ định hàm đo lường khoảng cách: cosine (mặc định), l2, ip
    thong_tin_phu={"hnsw:space": "cosine"} 
)

# Xem tất cả các bộ sưu tập
danh_sach_tap_hop = klient.list_collections()

# Xóa bộ sưu tập
klient.delete_collection(ten="tai_lieu_cua_toi")

3.3. Thêm dữ liệu (Add Documents)

Đây là bước quan trọng nhất. Bạn có thể để Chroma tự động tính toán Embedding, hoặc tính toán trước rồi truyền vào.

# Cách A: Để Chroma tự động gọi hàm nhúng mặc định (cần kết nối mạng hoặc có mô hình cục bộ)
tap_hop.add(
    van_ban=["Trợ lý AI của chúng tôi hỗ trợ nhiều ngôn ngữ.", "Chroma là một thư viện vector hiệu quả."],
    thong_tin_phu=[{"nguon": "gioi_thieu", "nam": 2026}, {"nguon": "ky_thuat", "nam": 2025}],
    ma_id=["id1", "id2"]
)

# Cách B: Nhúng tùy chỉnh (Khuyến nghị cho môi trường sản xuất, kiểm soát tốt hơn)
from chromadb.utils import embedding_functions
ham_nen_tu_van = embedding_functions.SentenceTransformerEmbeddingFunction(ten_mô_hinh="all-MiniLM-L6-v2")

# Tạo bộ sưu tập với hàm nhúng tùy chỉnh
tap_hop_tu_chon = klient.get_or_create_collection(
    ten="nhung_vector_tu_chon",
    ham_nen=ham_nen_tu_van
)

# Thêm dữ liệu (lúc này không cần truyền embeddings, hàm sẽ tự tính toán)
tap_hop_tu_chon.add(
    van_ban=["Đây là vector được tính bằng SentenceTransformer."],
    ma_id=["id3"]
)

# Cách C: Truyền vector đã tính toán trước (hiệu quả nhất)
tap_hop_tu_chon.add(
    embeddings=[[0.1, 0.2, 0.3, ...]], # Danh sách vector của bạn
    van_ban=["Văn bản với vector đã tính toán"],
    ma_id=["id4"]
)

3.4. Truy vấn và Truy xuất (Query)

Lõi của RAG: Tìm tài liệu liên quan nhất dựa trên câu hỏi.

ket_qua = tap_hop.query(
    cau_hoi_van_ban=["Trợ lý AI của chúng tôi là gì?"], # Nhập câu hỏi, tự động chuyển thành vector
    so_ket_qua=2,                                 # Trả về 2 kết quả liên quan nhất
    dieu_kien={"nam": 2026},                       # [Tùy chọn] Lọc theo metadata (tương tự SQL WHERE)
    # dieu_kien_van_ban={"$contains": "AI"} # [Tùy chọn] Lọc văn bản chứa
    bao_gom=["van_ban", "thong_tin_phu", "khoang_cach"] # Nội dung trả về
)

# Cấu trúc kết quả
# ket_qua['van_ban'][0] -> Văn bản tài liệu khớp nhất
# ket_qua['khoang_cach'][0] -> Giá trị khoảng cách (càng nhỏ càng tương đồng, tùy thuộc vào cấu hình cosine)
# ket_qua['thong_tin_phu'][0] -> Metadata

3.5. Cập nhật và Xóa (Update & Delete)

# Cập nhật nội dung tài liệu hoặc metadata
tap_hop.update(
    ma_id=["id1"],
    van_ban=["Trợ lý AI 2026 đã thêm tính năng ghi nhớ."],
    thong_tin_phu=[{"nguon": "gioi_thieu", "nam": 2026, "da_cap_nhat": True}]
)

# Xóa tài liệu
tap_hop.delete(ma_id=["id2"])
# Hoặc xóa theo điều kiện
# tap_hop.delete(dieu_kien={"nam": 2025})

4. Trường hợp thực chiến: Xây dựng một trợ lý trả lời câu hỏi đơn giản (RAG)

Giả sử chúng ta muốn xây dựng một hệ thống hỏi-đáp dựa trên tài liệu cục bộ.

import chromadb
from chromadb.utils import embedding_functions

# 1. Khởi tạo
klient = chromadb.PersistentClient(duong_dan="./csdl_rag")
ham_nen = embedding_functions.SentenceTransformerEmbeddingFunction(ten_mô_hinh="all-MiniLM-L6-v2")
tap_hop_kien_thuc = klient.get_or_create_collection("co_so_kien_thuc", ham_nen=ham_nen)

# 2. Nhập dữ liệu (mô phỏng các đoạn trích từ PDF/Markdown)
doan_van = [
    "Trợ lý AI hỗ trợ tích hợp với các nền tảng như Slack và Teams.",
    "Hệ thống ghi nhớ của trợ lý AI được xây dựng trên Chroma.",
    "Để cấu hình trợ lý AI, bạn cần chỉnh sửa tệp config.yaml."
]
ma_id = ["q1", "q2", "q3"]
thong_tin_phu = [{"loai": "tinh_nang"}, {"loai": "kien_truc"}, {"loai": "cau_hinh"}]

# Kiểm tra xem đã tồn tại chưa để tránh thêm trùng lặp
da_ton_tai = tap_hop_kien_thuc.get(ma_id=ma_id)["ma_id"]
if not da_ton_tai:
    tap_hop_kien_thuc.add(van_ban=doan_van, thong_tin_phu=thong_tin_phu, ma_id=ma_id)
    print("✅ Dữ liệu đã được nhập thành công")

# 3. Truy xuất và trả lời
cau_hoi_nguoi_dung = "Làm thế nào để cấu hình trợ lý AI?"
ket_qua = tap_hop_kien_thuc.query(cau_hoi_van_ban=[cau_hoi_nguoi_dung], so_ket_qua=1)

noi_dung = ket_qua["van_ban"][0][0]
print(f"🔍 Nội dung truy xuất được: {noi_dung}")

# 4. Gửi cho LLM để tạo câu trả lời (mã giả)
# prompt = f"Dựa trên thông tin sau, hãy trả lời câu hỏi: {noi_dung}
Câu hỏi của người dùng: {cau_hoi_nguoi_dung}"
# cau_tra_loi = llm.tao(prompt)
# print(f"🤖 Câu trả lời của AI: {cau_tra_loi}")

5. Các tính năng nâng cao và Thủ thuật Tối ưu (Phiên bản 2026)

5.1. Lọc theo Metadata (Metadata Filtering)

Chroma hỗ trợ cú pháp lọc mạnh mẽ, có thể thu hẹp phạm vi trước khi tìm kiếm vector, giúp tăng độ chính xác.

• Bằng với: dieu_kien={"nam": 2026}
• Không bằng với: dieu_kien={"nam": {"$ne": 2025}}
• Lớn hơn/Nhỏ hơn: dieu_kien={"diem_so": {"$gt": 0.8}}
• Chứa: dieu_kien={"the_loai": {"$in": ["AI", "Robot"]}}
• Kết hợp logic: dieu_kien={"$and": [{"nam": 2026}, {"loai": "tai_lieu"}]}

5.2. Thao tác theo lô (Batching)

Khi thêm một lượng lớn dữ liệu, hãy xử lý theo từng lô để tránh tràn bộ nhớ.

kich_thuoc_lan = 100
for i in range(0, len(danh_sach_van_ban_lon), kich_thuoc_lan):
    tap_hop.add(
        van_ban=danh_sach_van_ban_lon[i:i+kich_thuoc_lan],
        ma_id=danh_sach_ma_id_lon[i:i+kich_thuoc_lan]
    )

5.3. Tối ưu hóa Hiệu năng

• Tham số chỉ mục: Khi tạo bộ sưu tập, có thể điều chỉnh các tham số HNSW để cân bằng tốc độ và độ chính xác.

  tap_hop_nhanh = klient.create_collection(
      ten="tap_hop_nhanh",
      thong_tin_phu={
          "hnsw:space": "cosine",
          "hnsw:construction_ef": 128,  # Độ phức tạp khi xây dựng chỉ mục (mặc định 128)
          "hnsw:search_ef": 64          # Độ phức tạp khi tìm kiếm (mặc định 10)
      }
  )
  

• Client vs Server: Đối với >1 triệu vector, hãy cân nhắc sử dụng chế độ Server Docker và gắn dữ liệu vào SSD.

5.4. Hỗ trợ Đa phương thức

Phiên bản 2026 của Chroma hỗ trợ tốt hơn các Embedding đa phương thức. Bạn có thể lưu vector của hình ảnh và truy vấn bằng văn bản (và ngược lại), miễn là hàm nhúng là một mô hình đa phương thức thống nhất (như CLIP).

6. Chroma so với các cơ sở dữ liệu vector khác (Từ góc nhìn 2026)

Kết luận

Chroma là "con dao Thụy Sĩ" để xây dựng ứng dụng AI (đặc biệt là RAG) vào năm 2026.

• Nếu bạn cần thử nghiệm ý tưởng nhanh chóng, chạy cục bộ hoặc triển khai quy mô nhỏ, Chroma là lựa chọn hàng đầu.
• API của nó đơn giản và trực quan, không cần kiến thức运维 phức tạp, giúp bạn tập trung vào lógica nghiệp vụ thay vì cấu hình cơ sở dữ liệu.
• Đối với các trường hợp quy mô cực lớn (hàng tỷ vector) hoặc yêu cầu đồng thời cực cao, hãy cân nhắc di chuyển sang Milvus hoặc Qdrant.