Pythonファーストの軽量オープンソースベクトルデータベース。LLMアプリ開発のプロトタイプ向けに設計され、インメモリ・ローカルファイル・クライアントサーバーの3モードで動作する。

Chromaとは？（クロマ）意味・特徴をわかりやすく解説

Chroma とは

Chromaは、2022年に設立された米国Chroma AI社が開発するオープンソースのベクトルデータベース。「開発者にとって最も使いやすいベクトルDB」を目標に設計されており、特にPythonエコシステムとLLMフレームワークとの統合を重視している。

LangChain・LlamaIndex・AutoGenなど主要LLMフレームワークがChromaをデフォルトまたは推奨ベクトルストアとして採用しており、RAGシステムのプロトタイプ段階で最も使われるベクトルDBとなっている。

3つの動作モード

In-Memory（開発用）

import chromadb
client = chromadb.Client()  # メモリのみ、再起動でリセット

Persistent（ローカルファイル）

client = chromadb.PersistentClient(path="./chroma_db")  # SQLite保存

Client/Server（本番用）

chroma run --path ./chroma_db  # サーバー起動

client = chromadb.HttpClient(host="localhost", port=8000)

基本操作

import chromadb
client = chromadb.PersistentClient(path="./mydb")
collection = client.create_collection("glossary")

# ドキュメント追加（自動埋め込み）
collection.add(
    documents=["Qdrantは高性能なベクトルDB"],
    ids=["doc1"],
    metadatas=[{"category": "ai"}]
)

# クエリ
results = collection.query(
    query_texts=["ベクトル検索のデータベース"],
    n_results=2,
    where={"category": "ai"}
)

documentsにテキストを渡せば組み込みEmbedding（デフォルトはall-MiniLM-L6-v2）が自動で呼ばれる。外部Embeddingを使う場合はembeddingsパラメータで直接ベクトルを渡す。

LangChainとの統合

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma(
    collection_name="glossary",
    embedding_function=OpenAIEmbeddings(),
    persist_directory="./chroma_db"
)
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

制限と注意点

Chromaはプロトタイプに最適化されているため、本番大規模用途では以下の制限がある：

フィルタ精度: post-filteringのため大量除外時にrecallが低下
スケール上限: 数百万件程度まで（数千万件以上は不安定）
マネージドサービス: なし（セルフホストのみ）
分散: ネイティブ分散未対応

競合との位置づけ

製品	用途	学習コスト	スケール
Chroma	プロトタイプ	最低	〜数百万件
Qdrant	プロト〜本番	低	〜数億件
Weaviate	中〜大規模	中	〜数億件
Milvus	大規模本番	高	数十億件〜
Pinecone	マネージド本番	低	無制限

「まずRAGを動かしたい」というユースケースではChromaが最速の選択肢。

Chroma（クロマ）