大家好，我是 同学小张，持续学习C++进阶、OpenGL、WebGL知识技能和AI大模型应用实战案例，持续分享，欢迎大家点赞+关注，+v: jasper_8017 一起交流，共同学习和进步。

前面文章 两行代码就实现了文档的切分和向量化存储以及持久化存储。如果我们想用自定义的向量化数据库呢？

文章目录

0. 背景1. 在 LlamaIndex 中使用自定义的向量数据库2. 总结3. 参考

0. 背景

前面文章 两行代码就实现了文档的切分和向量化存储以及持久化存储。

<code>index = VectorStoreIndex.from_documents(documents)

# store it for later

index.storage_context.persist(persist_dir=PERSIST_DIR)

但是有时候我们更希望使用自己常用的向量数据库和向量化方式。下面以 chromadb 为例，介绍如何使用。

1. 在 LlamaIndex 中使用自定义的向量数据库

（1）环境准备

写代码之前，需要首先安装 LlamaIndex 中的 chromadb。

pip install -U llama-index-vector-stores-chroma -i https://pypi.tuna.tsinghua.edu.cn/simple

（2）创建一个chromadb 数据库的实例

db = chromadb.PersistentClient(path="D:\\GitHub\\LEARN_LLM\\LlamaIndex\\vector_store\\chroma_db")code>

（3）创建 chroma 数据库的 collection

chroma_collection = db.get_or_create_collection("quickstart")

（4）将 chroma_collection 使用 LlamaIndex 的 ChromaVectorStore 进行以下类型转换和封装，转换成 LlamaIndex 的 VectorStore。

vector_store = ChromaVectorStore(chroma_collection=chroma_collection)

（5）将 VectorStore 封装到 StorageContext 中

storage_context = StorageContext.from_defaults(vector_store=vector_store)

（6）创建 VectorStoreIndex 时，使用 from_documents 函数中的 storage_context 参数，将上面自定义的 storage_context 传入。

index = VectorStoreIndex.from_documents(

documents, storage_context=storage_context

)

完整代码如下：

import chromadb

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

from llama_index.vector_stores.chroma import ChromaVectorStore

from llama_index.core import StorageContext

# load some documents

documents = SimpleDirectoryReader("D:\\GitHub\\LEARN_LLM\\LlamaIndex\\data").load_data()

# initialize client, setting path to save data

db = chromadb.PersistentClient(path="D:\\GitHub\\LEARN_LLM\\LlamaIndex\\vector_store\\chroma_db")code>

# create collection

chroma_collection = db.get_or_create_collection("quickstart")

# assign chroma as the vector_store to the context

vector_store = ChromaVectorStore(chroma_collection=chroma_collection)

storage_context = StorageContext.from_defaults(vector_store=vector_store)

# create your index

index = VectorStoreIndex.from_documents(

documents, storage_context=storage_context

)

# create a query engine and query

query_engine = index.as_query_engine()

response = query_engine.query("什么是角色提示?")

print(response)

2. 总结