[{"data":1,"prerenderedAt":655},["ShallowReactive",2],{"tool-chroma-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":22,"sources":29,"cover":57,"og":58,"expertise":59,"locales":60,"lang":63,"title":64,"description":65,"coverAlt":66,"url":67,"pricing":68,"kind":69,"metaTitle":70,"takeaways":71,"faq":77,"toc":90,"blocks":118,"others":462},"chroma","2026-07-20",10,"rag",[9,10,11,12,13],"Vector search","Embeddings","RAG","Hybrid search","Metadata filter",[15,16,17,18,19,20,21],"chroma vector database","chroma vs qdrant","chroma vs pgvector","hybrid search reciprocal rank fusion","self-hosted vector database","chroma cloud pricing","metadata filtering vector search",[23,26],{"name":24,"url":25},"Chroma","https:\u002F\u002Fgithub.com\u002Fchroma-core\u002Fchroma",{"name":27,"url":28},"Apache License 2.0","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_License",[30,33,36,39,42,45,48,51,54],{"title":31,"url":32},"Chroma documentation: introduction","https:\u002F\u002Fdocs.trychroma.com\u002Fdocs\u002Foverview\u002Fintroduction",{"title":34,"url":35},"Chroma architecture overview","https:\u002F\u002Fdocs.trychroma.com\u002Freference\u002Farchitecture\u002Foverview",{"title":37,"url":38},"Chroma: getting started with the SDK","https:\u002F\u002Fdocs.trychroma.com\u002Fdocs\u002Foverview\u002Fgetting-started",{"title":40,"url":41},"Chroma: query and get","https:\u002F\u002Fdocs.trychroma.com\u002Fdocs\u002Fquerying-collections\u002Fquery-and-get",{"title":43,"url":44},"Chroma: metadata filtering","https:\u002F\u002Fdocs.trychroma.com\u002Fdocs\u002Fquerying-collections\u002Fmetadata-filtering",{"title":46,"url":47},"Chroma Cloud: Search API overview","https:\u002F\u002Fdocs.trychroma.com\u002Fcloud\u002Fsearch-api\u002Foverview",{"title":49,"url":50},"Chroma Cloud: hybrid search with RRF","https:\u002F\u002Fdocs.trychroma.com\u002Fcloud\u002Fsearch-api\u002Fhybrid-search",{"title":52,"url":53},"Chroma Cloud: pricing","https:\u002F\u002Fwww.trychroma.com\u002Fpricing",{"title":55,"url":56},"Chroma changelog","https:\u002F\u002Fwww.trychroma.com\u002Fchangelog","\u002Fimages\u002Fblog\u002Fchroma\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fchroma\u002Fog.jpg","ai-engineer",[61,62,63],"en","de","hu","Chroma: egyszerű vektorkeresés egy bökkenővel","A Chroma Apache-2.0 licencű vektadatbázis, amely beágyazottan, egyetlen csomóponton vagy Chroma Cloudként fut. Hol kényelmes, és hol ér véget a jó keresési funkciók a felhő határán.","Címlap: Chroma, vektadatbázis a visszakereséshez, a visszakeresési út rajzolva négy lépésben a betöltéstől a rangsorolásig","https:\u002F\u002Fwww.trychroma.com","Apache-2.0 · Cloud paid","Vector database","Chroma: egyszerű keresés, mélység csak a felhőben",[72,73,74,75,76],"A Chroma Apache-2.0 licencű, körülbelül 27 000 GitHub-csillaga van, és ugyanaz az API fut Python-, TypeScript- és Rust-klienssel.","A beágyazott kliens az alkalmazás folyamatában indul, így az első kollekcióhoz nem kell szerver és nem kell konténer.","A reciprok rank fúziós hibrid keresés csak a Chroma Cloudban létezik; a dokumentáció az egycsomópontos támogatást jövőbeli munkaként nevezi.","A felhős árak használatalapúak: 2,50 $ GiB-onkénti írásra, 0,33 $ GiB-onkénti tárolásra havonta, 0,0075 $ TiB-onkénti lekérdezésre és 0,09 $ GiB-onkénti visszaküldésre.","Atisztességes mérleg: kiváló alapértelmezés az első visszakeresési réteghez, gyenge hosszú távú otthon egy komoly hibrid keresési rendszerhez.",[78,81,84,87],{"q":79,"a":80},"Ingyen lehet-e a Chromát magán üzemeltetni?","Igen. A szerver Apache-2.0 licencű, fut helyi könyvtárként, egyetlen chroma run folyamatként vagy konténerként. A Chroma Cloud a fizetős, menedzselt réteg fölötte, és a kettő ugyanazt az API-t beszéli.",{"q":82,"a":83},"Támogatja a Chroma a hibrid keresést?","Csak a Chroma Cloudban. A Search API reciprok rank fúziót kínál sűrű és ritka embeddingeken, és a dokumentáció egyértelműen kimondja, hogy az egycsomópontos támogatás egy későbbi kiadásra van ütemezve.",{"q":85,"a":86},"Mekkora korpuszt bír egy Chroma példány?","Az architektúra-dokumentáció az egycsomópontos Chromát kevesebb mint 10 millió rekordra, néhány kollekcióra becsüli. A nagyobb munkaterhekre a Chroma Cloud mögötti elosztott telepítés szánt.",{"q":88,"a":89},"Chroma vagy pgvector?","A pgvector nyer, ha a vektorok már egy Postgres sorban élnek, és a tranzakciós konzisztencia számít. A Chroma nyer, ha a visszakeresés a termék: gazdagabb keresési módok, multimodális kollekciók és egy kliens, amely beágyazza helyetted.",[91,94,97,100,103,106,109,112,115],{"id":92,"title":93},"what-it-is","Mi ez",{"id":95,"title":96},"how-it-works","Hogyan működik",{"id":98,"title":99},"getting-started","Első lépések",{"id":101,"title":102},"hybrid-search","Hibrid keresés és a felhő vonala",{"id":104,"title":105},"pricing","Árak és az egy lekérdezésre jutó költség",{"id":107,"title":108},"self-hosting","Saját üzemeltetés: mi fut valójában",{"id":110,"title":111},"where-it-shingles","Hol gyengül",{"id":113,"title":114},"verdict","Ítélethoz",{"id":116,"title":117},"sources","Források",[119,123,126,129,132,148,149,152,161,164,165,168,171,174,210,211,214,216,227,228,231,299,302,303,306,318,323,324,327,395,398,399,402,417,423,424],{"type":120,"content":121},"paragraph",[122],"A Chroma nyílt forráskódú vektadatbázis, Apache-2.0 licencsel, amely beágyazott könyvtárként egy alkalmazásban, egyetlen chroma run folyamatként vagy Chroma Cloudként fut. A teszt álláspontja egyszerű: ez a legjobb alapértelmezés egy RAG-rendszer első visszakeresési rétegéhez, mert egy üres repository és egy működő lekérdezés közötti súrlódás majdnem nulla — viszont rossz hosszú távú otthon egy komoly hibrid keresési rendszerhez, mert a lekérdezési nyelv érdekes részei a dokumentáció szerint csak a felhőben léteznek.",{"type":120,"content":124},[125],"A stackben egyetlen helyet foglal el: az embeddingek tárolása és visszakeresése. Versenytárs a pgvector, ha az alkalmazás már fut Postgresen, a Qdrant vagy a Milvus, ha a visszakeresésnek saját szolgáltatás kell, és a Pinecone, ha senki nem akar üzemeltetni semmit. A Chroma egyedi tétele nem az index, hanem a kezelhetőség: a kollekcióhoz kötött embedding funkció, egy szűrőnyelv, amelyhez nem kell indexdeklaráció, és Python-, TypeScript- és Rust-kliensek, amelyek ugyanazt az API-t beszélik.",{"type":127,"level":128,"id":92,"text":93},"heading",2,{"type":120,"content":130},[131],"Az adatmodell három szintből áll. Egy tenant tartalmaz adatbázisokat, egy adatbázis kollekciókat, és a kollekció a tárolás és lekérdezés egysége: minden bejegyzésnek van azonosítója, embeddingje és opcionálisan dokumentuma és metaadat-objektuma. A hozzáférésszabályozás, a kvóta és a számlázás tenant-szinten van definiálva, ami többbérlős SaaS esetén számít, és a legtöbb egypontos vektortárban csendben hiányzik.",{"type":133,"ordered":134,"items":135},"list",false,[136,138,140,142,144,146],[137],"Licenc: Apache 2.0, körülbelül 27 000 csillag a GitHub-repóban, és egy 1.5.9 verziójú kiadás 2026 májusából.",[139],"Három üzemmód: beágyazott könyvtár, egyetlen csomópont, és az a elosztott telepítés, amelyet a Chroma Cloud üzemeltet.",[141],"Három kliens — Python, TypeScript és Rust — azonos collection, add, query és get alakzattal, plusz egy aszinkron HTTP kliens.",[143],"Négy keresési mód egy kollekcióban: sűrű vektorok, ritka vektorok, teljes szöveg és regex a dokumentumokon, valamint metaadat-szűrés.",[145],"Embedding funkciók mint interfész, így a kollekció íráskor beágyaz, és a query_texts-hez nem kell modellhívás az alkalmazáskódban.",[147],"Két lekérdezési API: a klasszikus query és get, valamint egy újabb Search API rangolási kifejezésekkel, elérhető a Chroma Cloudban.",{"type":127,"level":128,"id":95,"text":96},{"type":120,"content":150},[151],"A Chroma a tartósságot olyan alrendszerekre bízza, amelyeket nem kell újra feltalálnia: helyben SQLite, az elosztott buildben felhős objektumtároló, ahol a forró adatok SSD gyorsítótárban ülnek. A gyártó érve itt nem egzotikus, hanem gazdasági — a vektorok nagyok, a memória drága, így az igazság forrásának objektumtárolóban tartása a RAM költségének töredékével teszi lehetővé a felhős árat.",{"type":153,"attrs":154,"inner":158,"caption":159},"diagram",{"viewBox":155,"role":156,"aria-labelledby":157},"0 0 720 372","img","chroma-t chroma-d","\u003Ctitle id=\"chroma-t\">A Chroma visszakeresési útja\u003C\u002Ftitle>\u003Cdesc id=\"chroma-d\">Négy lépés. Betöltés: a darabok azonosítókkal, dokumentumokkal és metaadatokkal érkeznek, egy embedding funkció létrehozza a vektorokat. Index: egy kollekcióban egymás mellett vektorindex, ritka index, teljes szöveges index és metaadatindex található. Lekérdezés: egy vektor, egy where szűrő a metaadaton és egy where_document szűrő a tárolt szövegen szűkítik a jelöltek halmazát a rangsorolás előtt. Rangsorolás: a klasszikus query API távolságokat ad vissza, a felhős Search API viszont sűrű és ritka rangsorokat von össze reciprok rank fúzióval. Alattuk egy sáv: egy csomópont mindenent egy processzben tart SQLite fölött, a Chroma Cloud elosztott motort futtat objektumtárolón SSD gyorsítótárral.\u003C\u002Fdesc>\u003Ctext x=\"20\" y=\"28\" class=\"d-title\">A Chroma visszakeresési útja\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"28\" text-anchor=\"end\" class=\"d-label\">négy lépés\u003C\u002Ftext>\u003Crect x=\"20\" y=\"46\" width=\"164\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"102\" y=\"73\" text-anchor=\"middle\" class=\"d-text\">Betöltés\u003C\u002Ftext>\u003Ctext x=\"102\" y=\"95\" text-anchor=\"middle\" class=\"d-small\">darabok, azonosítók\u003C\u002Ftext>\u003Cpath d=\"M102 110 V124\" class=\"d-line\" \u002F>\u003Crect x=\"20\" y=\"124\" width=\"164\" height=\"150\" rx=\"10\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"102\" y=\"152\" text-anchor=\"middle\" class=\"d-small\">embedding funkció\u003C\u002Ftext>\u003Ctext x=\"102\" y=\"178\" text-anchor=\"middle\" class=\"d-small\">azonosító kötelező\u003C\u002Ftext>\u003Ctext x=\"102\" y=\"204\" text-anchor=\"middle\" class=\"d-small\">dokumentum opcionális\u003C\u002Ftext>\u003Ctext x=\"102\" y=\"230\" text-anchor=\"middle\" class=\"d-small\">upsert, nem csak add\u003C\u002Ftext>\u003Crect x=\"192\" y=\"46\" width=\"164\" height=\"64\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"274\" y=\"73\" text-anchor=\"middle\" class=\"d-text\">Index\u003C\u002Ftext>\u003Ctext x=\"274\" y=\"95\" text-anchor=\"middle\" class=\"d-small\">négy index, egy kollekció\u003C\u002Ftext>\u003Cpath d=\"M274 110 V124\" class=\"d-line\" \u002F>\u003Crect x=\"192\" y=\"124\" width=\"164\" height=\"150\" rx=\"10\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"274\" y=\"152\" text-anchor=\"middle\" class=\"d-small\">vektorindex\u003C\u002Ftext>\u003Ctext x=\"274\" y=\"178\" text-anchor=\"middle\" class=\"d-small\">ritka vektor\u003C\u002Ftext>\u003Ctext x=\"274\" y=\"204\" text-anchor=\"middle\" class=\"d-small\">teljes szöveg, regex\u003C\u002Ftext>\u003Ctext x=\"274\" y=\"230\" text-anchor=\"middle\" class=\"d-small\">metaadat\u003C\u002Ftext>\u003Crect x=\"364\" y=\"46\" width=\"164\" height=\"64\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"446\" y=\"73\" text-anchor=\"middle\" class=\"d-text\">Lekérdezés\u003C\u002Ftext>\u003Ctext x=\"446\" y=\"95\" text-anchor=\"middle\" class=\"d-small\">vektor, where, dokumentum\u003C\u002Ftext>\u003Cpath d=\"M446 110 V124\" class=\"d-line\" \u002F>\u003Crect x=\"364\" y=\"124\" width=\"164\" height=\"150\" rx=\"10\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"446\" y=\"152\" text-anchor=\"middle\" class=\"d-small\">query, get\u003C\u002Ftext>\u003Ctext x=\"446\" y=\"178\" text-anchor=\"middle\" class=\"d-small\">n_results, include\u003C\u002Ftext>\u003Ctext x=\"446\" y=\"204\" text-anchor=\"middle\" class=\"d-small\">$in, $and, $or\u003C\u002Ftext>\u003Ctext x=\"446\" y=\"230\" text-anchor=\"middle\" class=\"d-small\">$contains tömbön\u003C\u002Ftext>\u003Crect x=\"536\" y=\"46\" width=\"164\" height=\"64\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"618\" y=\"73\" text-anchor=\"middle\" class=\"d-text\">Rangsor\u003C\u002Ftext>\u003Ctext x=\"618\" y=\"95\" text-anchor=\"middle\" class=\"d-small\">távolság vagy összevont score\u003C\u002Ftext>\u003Cpath d=\"M618 110 V124\" class=\"d-line\" \u002F>\u003Crect x=\"536\" y=\"124\" width=\"164\" height=\"150\" rx=\"10\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"618\" y=\"152\" text-anchor=\"middle\" class=\"d-small\">klasszikus: távolság\u003C\u002Ftext>\u003Ctext x=\"618\" y=\"178\" text-anchor=\"middle\" class=\"d-small\">Search: növekvő\u003C\u002Ftext>\u003Ctext x=\"618\" y=\"204\" text-anchor=\"middle\" class=\"d-small\">RRF, csak felhő\u003C\u002Ftext>\u003Ctext x=\"618\" y=\"230\" text-anchor=\"middle\" class=\"d-small\">return_rank kötelező\u003C\u002Ftext>\u003Crect x=\"20\" y=\"292\" width=\"680\" height=\"64\" rx=\"10\" class=\"d-mint\" \u002F>\u003Ctext x=\"360\" y=\"319\" text-anchor=\"middle\" class=\"d-text\">Egy processz SQLite fölött egy csomóponton, vagy elosztott motor objektumtárolón\u003C\u002Ftext>\u003Ctext x=\"360\" y=\"341\" text-anchor=\"middle\" class=\"d-small\">Ugyanaz az API mindkét módban · a Search API a kivétel, és ez a lényegi különbség\u003C\u002Ftext>",[160],"Mindkét módban azonos az API, amíg a Search API szóba nem jön, és pontosan ott szűnik meg a két termék felcserélhetősége.",{"type":120,"content":162},[163],"Amit a gyártó nem tesz közzé, az egy nyilvános benchmark, aminek lenne módszertana. A felhős dokumentáció azt állítja, hogy a termelési rendszerek meghaladják a 90 százalékos recall értéket, és hogy a tárolási kialakítás egy nagyságrenddel olcsóbbá teszi a Chroma Cloudot az alternatíváknál; mindkettő hihető, és egyik sem reprodukálható a dokumentációból. Kezdd a saját értékelésed pontjának, ne eredménynek.",{"type":127,"level":128,"id":98,"text":99},{"type":120,"content":166},[167],"A beágyazott kliens szervert indít a folyamatban, és a program leállásakor mindent elveszít, ami teszthez pontosan jó, termeléshez pontosan rossz. Egy minimális lekérdezéshez kliens, kollekció, upsert és query kell — szerver, konténer és indexhangolás nélkül.",{"type":169,"code":170},"code","import chromadb\n\nclient = chromadb.Client()\ncollection = client.get_or_create_collection(\"docs\")\n\ncollection.upsert(\n    ids=[\"d1\", \"d2\"],\n    documents=[\n        \"Refunds are issued within five business days.\",\n        \"Support answers within one working day.\",\n    ],\n    metadatas=[{\"topic\": \"billing\"}, {\"topic\": \"support\"}],\n)\n\nhits = collection.query(\n    query_texts=[\"how fast is a refund?\"],\n    where={\"topic\": \"billing\"},\n    n_results=1,\n)\n\n# Results are column-major: one list per query, one entry per result.\nprint(hits[\"documents\"][0][0])",{"type":120,"content":172},[173],"Ebben a részletben három dolog okozza később a legtöbb súrlódást. Az eredmények oszlopos formában érkeznek, így minden fogyasztónak párhuzamos tömböket kell összevégeznie a rekordok helyett. Az n_results alapértelmezetten 10, ami egy kis tesztkollekción csendben nem ad használható eredményt. A szűrő pedig a where argumentumba megy a metaadaton, míg a szöveges illesztés a tárolt dokumentumon a where_documentban fut, $contains vagy regex formájában.",{"type":175,"variant":176,"title":177,"body":178},"callout","note","Szűrőoperátorok",[179],[180,181,184,185,188,189,184,192,195,196,184,199,202,203,184,206,209],"A metaadat-szűrő támogatja az összehasonlító operátorokat, ",{"tag":169,"children":182},[183],"$gt"," és ",{"tag":169,"children":186},[187],"$lte",", a tagságosságot ",{"tag":169,"children":190},[191],"$in",{"tag":169,"children":193},[194],"$nin"," operátorokkal, a logikai összekapcsolást ",{"tag":169,"children":197},[198],"$and",{"tag":169,"children":200},[201],"$or"," segítségével, valamint 2026 februárja óta a ",{"tag":169,"children":204},[205],"$contains",{"tag":169,"children":207},[208],"$not_contains"," operátort tömb metaadatmezőkön. Indexdeklaráció nem kell, ami kényelmes, amíg egy szűrő lassú nem lesz, és akkor nincs mit állítani.",{"type":127,"level":128,"id":101,"text":102},{"type":120,"content":212},[213],"A Search API az query és get helyébe összeállítható kifejezést tesz: a Search építi a szűrőt és a limitet, a Knn adja a rangsorolást, az Rrf pedig több rangsort von össze. A reciprok rank fúzió minden jelöltet úgy értékel, mint a súly és a simítási állandó plusz a rangsor összegének negatív hányadosát, ahol k alapértelmezetten 60 — ezért működik a sűrű és a ritka eredmények között anélkül, hogy két különböző skálát normálni kellene.",{"type":169,"code":215},"from chromadb import Search, K, Knn, Rrf\n\ndense = Knn(\n    query=\"how fast is a refund?\",\n    key=\"#embedding\",\n    return_rank=True,\n    limit=200,\n)\nsparse = Knn(\n    query=\"how fast is a refund?\",\n    key=\"sparse_embedding\",\n    return_rank=True,\n    limit=200,\n)\n\nsearch = (\n    Search()\n    .where(K(\"topic\") == \"billing\")\n    .rank(Rrf(ranks=[dense, sparse], weights=[0.7, 0.3], k=60))\n    .limit(10)\n    .select(K.DOCUMENT, K.SCORE)\n)\n\nrows = collection.search(search).rows()[0]\nfor row in rows:\n    print(row[\"score\"], row[\"document\"][:60])",{"type":175,"variant":217,"title":218,"body":219},"warn","Három csapda a Search API-ban",[220],[221,222,226],"A dokumentáció szerint kizárólag Chroma Cloudban érhető el, az egycsomópontos támogatás egy későbbi kiadásra van ütemezve, tehát ez a kód nem fut magán üzemeltetett szerveren. ",{"tag":223,"children":224},"strong",[225],"return_rank=True"," kötelező minden Knn-en belül egy Rrf-ben — kihagyva a komponensek távolságokat adnak rangsorok helyett, és hihető, de csendben hibás rangsorolást kapsz. A score-ok növekvő sorrendben vannak, tehát a kisebb a jobb, szemben a klasszikus API távolságaival.",{"type":127,"level":128,"id":104,"text":105},{"type":120,"content":229},[230],"A Chroma Cloud négy külön számlálót vezet, és az érdekes nem a vektortár. Az írás 2,50 $ GiB-onként, a tárolás 0,33 $ GiB-onként havonta, a lekérdezések 0,0075 $ TiB-onként, a kimenő forgalom pedig 0,09 $ GiB-onként a visszaküldött adatra számol. A Starter csomag nulla havi díjat kér és 5 $ kreditet, tíz adatbázist és tíz csapattagot tartalmaz; a Team havi 250 $ mellett 100 $ kreditet, száz adatbázist, harminc tagot és SOC II-t ad.",{"type":232,"head":233,"rows":253},"table",[234,239,244,249],[235,236,237,238],"Felhős csomag","Díj","Számlálók","Tartalom",[240,241,242,243],"Starter","0 $ havonta","írás, tárolás, lekérdezés, hálózat","5 $ kredit, 10 adatbázis, 10 tag",[245,246,247,248],"Team","250 $ havonta","ugyanaz a négy számláló","100 $ kredit, 100 adatbázis, 30 tag, SOC II",[250,251,247,252],"Enterprise","Egyéni","korlátlan adatbázis, single tenant, BYOC, SLA",[254,263,272,281,290],[255,257,259,261],[256],"Írás",[258],"GiB-onként",[260],"2,50 $",[262],"egyszer számolódik betöltéskor",[264,266,268,270],[265],"Tárolás",[267],"GiB-onként havonta",[269],"0,33 $",[271],"vektorok plusz dokumentumok plusz metaadat",[273,275,277,279],[274],"Lekérdezés",[276],"TiB-onként",[278],"0,0075 $",[280],"a legtöbb korpuszméretnél gyakorlatilag ingyenes",[282,284,286,288],[283],"Hálózat",[285],"visszaküldött GiB-onként",[287],"0,09 $",[289],"a számláló, amely a nagy eredményeket bünteti",[291,293,295,297],[292],"Saját szerver",[294],"0 $",[296],"saját lemez",[298],"Apache-2.0, egy csomópont, nincs Search API",{"type":120,"content":300},[301],"A gyártó saját kalkulátora tanulságos. 1536 dimenzióval, 8 KiB-os dokumentumokkal és 500 kollekcióval egymillió dokumentum kb. 34 $ba kerül beírásra, hatmillió tárolt dokumentum havonta kb. 27 $, tízmillió lekérdezés kb. 19 $ — nagyjából 79 $ havonta egy hatmilliós darabos korpuszra. Figyeld az ekonomia irányát: 1 GiB szövegből körülbelül 15 GiB vektor lesz, tehát a tárolást a leggyorsabban növekvő számra számlázzák, és a rövid darabok helyett teljes dokumentumok visszaküldése az, ami felhajtja a kimenő forgalmi számlálót.",{"type":127,"level":128,"id":107,"text":108},{"type":120,"content":304},[305],"A saját üzemeltetés nem egyetlen dolgot jelent. Az architektúra-dokumentáció három módot különböztet meg eltérő felső korlátokkal, és a köztük lévő különbség nagyobb, mint a márkanevek sugallják.",{"type":133,"ordered":134,"items":307},[308,310,312,314,316],[309],"Beágyazott: a chromadb.Client() a folyamatban fut, memóriában vagy helyi útvonalon tartja az adatot, és meghal a programmal. Teszthez jó, szolgáltatáshoz nem.",[311],"Egy csomópont: chroma run --path egy HttpClient mögött, dokumentálva kevesebb mint 10 millió rekordra, néhány kollekcióra. Tartós, egyszerű, egyetlen hibaforrás.",[313],"Elosztott: az a telepítés, amelyet a Chroma Cloud üzemeltet, objektumtárolós perzisztenciával és SSD gyorsítótárakkal, adatbázisonként egy régióhoz kötve.",[315],"Adatelhelyzet: a Chroma Cloud az AWS us-east-1 mellett 2026 áprilisától a GCP europe-west1 régióban is fut. A régió létrehozáskor fix, a költözés új adatbázist és újraindexelést jelent.",[317],"Megfelelés: a Chroma Cloud SOC 2 Type II tanúsított; az ügyfél által kezelt titkosító kulcsok 2025 decemberében, a privát hálózat 2026 januárjában érkezett.",{"type":175,"variant":176,"title":319,"body":320},"A régióválasztás végleges",[321],[322],"Az EU-régió minden csomagon elérhető, és teljes API-paritást ad a kollekciókhoz, a kereséshez és a forkinghoz — de a Chroma Sync, a Chroma CLI és a Search Agent induláskor csak az Egyesült Államokban érhető el. Ha egy terv ezekre épül, a létrehozáskor hozott régiódöntés nem vonható vissza.",{"type":127,"level":128,"id":110,"text":111},{"type":120,"content":325},[326],"A gyengeségek jönnek elsőként, mert ők döntik el a választást. A hibrid rangsorolás csak a felhőben van. A metaadat-szűrés kényelmes, nem hangolható, és egy lassú szűrőhöz nincs index, amit állítanál. Az eredményforma oszlopos, ami minden fogyasztótól kis, de állandó adót szed. Az árlista pedig pontos azt a mintát bünteti, amit a retrieval-augmented generation ösztönöz: nagy kontextusablakot adni vissza lekérdezésenként.",{"type":232,"head":328,"rows":353},[329,334,338,343,348],[330,331,332,333],"","Telepítés","Hibrid keresés","Lock-in profil",[24,335,336,337],"beágyazott, egy csomópont, felhő","RRF csak Chroma Cloudban","Apache-2.0 szerver; a Search API nem az",[339,340,341,342],"pgvector","kiterjesztés a meglévő Postgresben","kézi: vektorindex plusz SQL teljes szöveg","Postgres licenc; nincs mit elhagyni",[344,345,346,347],"Qdrant","saját szerver vagy felhő","natívan sűrű plusz ritka","Apache-2.0; szűrőterheltes dizájn elsajátítandó",[349,350,351,352],"Pinecone","csak menedzselt","natívan a menedzselt API-ban","nincs saját üzemeltetési út",[354,364,375,384],[355,357,359,361,362],[356],"Licenc",[358],"Apache 2.0",[360],"PostgreSQL licenc",[358],[363],"proprietáris",[365,367,369,371,373],[366],"Üzemeltetési költség",[368],"a legalacsonyabb",[370],"nincs, ugyanaz az példány",[372],"egy szolgáltatás, amit futtatni kell",[374],"nincs",[376,378,380,382,383],[377],"Dimenziókorlátok",[379],"nincs dokumentálva",[381],"2.000 a vectoron, 4.000 a halfvecen",[379],[379],[385,387,389,391,393],[386],"Legjobb felhasználás",[388],"első visszakeresési réteg",[390],"vektorok a sor mellett",[392],"szűrőterheltes visszakeresés",[394],"semmilyen üzemeltetés",{"type":120,"content":396},[397],"Az összehasonlítás, ami számít, a pgvectoré. Ha a korpusz már egy Postgres táblában van, és a vektoroknak ugyanabban a tranzakcióban kell lenniük, egy külön vektortár egy további szolgáltatás, amit menteni, biztonságoskodni és felügyelni kell olyan képességért, amit a Postgres már tud adni — a standard vector típus 2 000 dimenziós kemény korlátjával és 4 000-rel fél pontosságnál. A Chroma akkor érdemli meg a helyét, ha a visszakeresés a termék: multimodális kollekciók, regex a tárolt dokumentumokon, kollekció-forking kísérletekhez, és egy embedding funkció, amely kivesz egy modellhívást az alkalmazáskódból.",{"type":127,"level":128,"id":113,"text":114},{"type":120,"content":400},[401],"A Chroma egy jól mérlegelt alapértelmezés egy meghatározott vakfolttal. A kezelhetőség valódi: három kliens, egy API, egy séma nélküli szűrőnyelv, és tíz sor az import chromadbtól a rangsorolt eredményig. A vakfolt ugyanilyen valós: az a lekérdezési funkcionalitás, ami a demót megkülönbözteti a visszakeresési rendszertől, pontosan az, amit ma nem tudsz magad üzemeltetni. Az első réteghez észszerű csere, egy hosszú életű rendszerhez rossz.",{"type":133,"ordered":403,"items":404},true,[405,407,409,411,413,415],[406],"Válaszd, ha a visszakeresési réteg még tervezés alatt áll, és a mérhető alaphoz vezető leggyorsabb út a legfontosabb.",[408],"Válaszd, ha az embeddingeknek, a dokumentumoknak és a metaadatnak egy kollekcióban kell élniük, és a csapat eleve többbérlős.",[410],"Válaszd olyan prototípushoz, amit később lecserélnek; a collection API elég kicsi ahhoz, hogy az újraírás egy nap, nem egy negyedév.",[412],"Kerüld el, ha a hibrid keresésnek ma a saját hálózatodon belül kell maradnia — a Search API ott nem elérhető.",[414],"Kerüld el, ha a korpusz már Postgresben van, és a pgvector dimenziókorlátja nem szúr.",[416],"Gondolj újra róla, amikor a korpusz átlép néhány millió darabot és a single node korlátai érvénybe lépnek, vagy amikor a visszaküldött GiB-onkénti forgalom uralja a számlát.",{"type":175,"variant":418,"title":419,"body":420},"tip","Az egyetlen, amit jól kell csinálni",[421],[422],"Kössz explicit embedding funkciót a kollekcióhoz, és rögzítsd a modellverziót a saját konfigurációdban. Az alapértelmezett embedding funkció kényelmes, és megváltozik alattad, a korpusz újra-beágyazása pedig az egyetlen migráció ebben a stackben, ami valóban drága.",{"type":127,"level":128,"id":116,"text":117},{"type":133,"ordered":403,"items":425},[426,431,435,439,443,447,451,455,459],[427],{"tag":428,"href":32,"children":429},"a",[430],"Chroma dokumentáció: bevezetés",[432],{"tag":428,"href":35,"children":433},[434],"Chroma: architektúraáttekintés",[436],{"tag":428,"href":38,"children":437},[438],"Chroma: első lépések az SDK-val",[440],{"tag":428,"href":41,"children":441},[442],"Chroma: query és get",[444],{"tag":428,"href":44,"children":445},[446],"Chroma: metaadat-szűrés",[448],{"tag":428,"href":47,"children":449},[450],"Chroma Cloud: Search API áttekintés",[452],{"tag":428,"href":50,"children":453},[454],"Chroma Cloud: hibrid keresés RRF-fel",[456],{"tag":428,"href":53,"children":457},[458],"Chroma Cloud: árak",[460],{"tag":428,"href":56,"children":461},[55],[463,512,564,605],{"slug":464,"published":465,"minutes":466,"category":7,"tags":467,"keywords":472,"about":481,"sources":485,"cover":504,"og":505,"expertise":59,"locales":506,"lang":63,"title":507,"description":508,"coverAlt":509,"url":510,"pricing":511,"kind":468},"zep","2026-10-06",11,[468,469,470,471,11],"Agent memory","Knowledge graph","Temporal graph","Context engineering",[473,474,475,476,477,478,479,480],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[482],{"name":483,"url":484},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[486,489,492,495,498,501],{"title":487,"url":488},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":490,"url":491},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":493,"url":494},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":496,"url":497},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":499,"url":500},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":502,"url":503},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg",[61,62,63],"Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","A Zep diagramja arról, hogyan jut el egy tény a promptig: az üzeneteket és tényeket felhasználónkénti entitás- és kapcsolatgráffá bontják, a lekérdezés pedig bejárja a gráfot, és kontextusblokkot ad vissza a támasztó tényekkel.","https:\u002F\u002Fwww.getzep.com","Apache-2.0 core · Cloud from $50 per month",{"slug":513,"published":514,"minutes":515,"category":7,"tags":516,"keywords":518,"about":526,"sources":532,"cover":557,"og":558,"expertise":59,"locales":559,"lang":63,"title":560,"description":561,"coverAlt":562,"url":563,"pricing":68,"kind":69},"lancedb","2026-09-21",9,[9,12,517,11],"Embedded database",[513,519,520,521,522,523,524,525],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[527,529],{"name":69,"url":528},"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":530,"url":531},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[533,536,539,542,545,548,551,554],{"title":534,"url":535},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":537,"url":538},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":540,"url":541},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":543,"url":544},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":546,"url":547},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":549,"url":550},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":552,"url":553},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":555,"url":556},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg",[61,62,63],"LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","A LanceDB teszt borítóképe: egy Lance-tábla vektorindexet és teljes szöveges indexet táplál egy fúziós rangsorba","https:\u002F\u002Flancedb.com",{"slug":339,"published":514,"minutes":6,"category":7,"tags":565,"keywords":569,"about":576,"sources":582,"cover":597,"og":598,"expertise":59,"locales":599,"lang":63,"title":600,"description":601,"coverAlt":602,"url":578,"pricing":603,"kind":604},[9,566,567,11,568],"Postgres","HNSW","Quantisation",[339,570,571,572,573,574,575],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[577,579],{"name":339,"url":578},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":580,"url":581},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[583,585,588,591,594],{"title":584,"url":578},"pgvector README",{"title":586,"url":587},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":589,"url":590},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":592,"url":593},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":595,"url":596},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[61,62,63],"pgvector, értékelés: az a vektordatázis, amelyet nem kell üzemeltetned","Értékelés a pgvector 0.8.7-ről: iteratív indexszkennelés szűrt kereséshez, HNSW és IVFFlat, bináris kvantizálás 100 millió vektornál, és a CVE, amely az indexépítést javítási tétellé tette.","A lekérdezés felül három útra bontakozik: pontos szekvenciális szkennelés, HNSW gráfjárás és IVFFlat vizsgálat; alul egy iteratív szkennelés folytatódik, amíg a limit kitelik.","PostgreSQL licence","Vector database extension",{"slug":606,"published":607,"minutes":6,"category":7,"tags":608,"keywords":610,"about":616,"sources":620,"cover":648,"og":649,"expertise":59,"locales":650,"lang":63,"title":651,"description":652,"coverAlt":653,"url":619,"pricing":654,"kind":468},"mem0","2026-09-17",[468,609,11,9],"Long-term memory",[606,611,612,613,614,478,615],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","mem0 alternatives",[617],{"name":618,"url":619},"Mem0","https:\u002F\u002Fmem0.ai",[621,624,627,630,633,636,639,642,645],{"title":622,"url":623},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":625,"url":626},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":628,"url":629},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":631,"url":632},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":634,"url":635},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":637,"url":638},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":640,"url":641},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":643,"url":644},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":646,"url":647},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg",[61,62,63],"Mem0: mennyibe kerül egy ügynökmemória körönként","A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.","Hurok, amely a beszélgetésből tárolt tényeket készít, majd visszaolvasja őket a promptba","Free tier · from $19 per month",1791383550172]