Chroma 嵌入数据库操作 MCP 服务器

要解决的问题

让 AI 代理操作向量数据库，通常意味着要为每种操作手写一套客户端代码：建立连接、拼接 SQL 或 ORM 调用、自行处理分页与重试，最后再把返回结果转换成模型能消费的文本。不同语言的 LLM 应用（Python、JavaScript）各自维护一份实现，逻辑重复且容易漂移。更麻烦的是，检索往往不止一种：先做向量近邻搜索，再按元数据过滤，有时还要叠加全文匹配。这些细节散落在业务代码里，代理难以稳定复用。

这个技能做了什么

它是 Chroma 开源嵌入数据库的官方 MCP 服务器，把上述操作收敛到模型上下文协议这一条标准通道上。代理不再直接 import 数据库客户端，而是通过 MCP 调用一组语义明确的工具：

• 创建集合：按名称建立集合，作为文档与向量的隔离单元。
• 添加文档：写入文本及其向量，支持携带元数据。
• 向量搜索：给定查询向量，返回近邻结果。
• 全文搜索：基于文本内容做关键词匹配。
• 元数据过滤：在检索时叠加结构化条件，缩小结果范围。

典型流程是：先创建集合，再批量添加文档，之后根据任务类型选择向量搜索、全文搜索或组合查询。因为走的是 MCP，Python 与 JavaScript 两侧的 LLM 应用都能用同一套工具定义，代理侧无需关心底层是哪种语言实现。

适用边界与注意点

它解决的是「操作入口标准化」，不负责向量生成本身，嵌入模型仍需在应用侧接入。检索质量取决于写入的文档质量与元数据设计，过滤条件过严容易让结果集为空。适合需要让代理自主管理记忆库、进行检索增强的场景；如果数据规模很大或对延迟敏感，仍需关注 Chroma 本身的部署形态与性能表现。