Skip to content
🚀 EDDI 6.5.0

19 fournisseurs LLM, des bases de connaissances qui explorent votre site et lisent vos fichiers, et des conversations qui suivent les versions compatibles des agentsNouveautés

Cloud Géré Démarrer
Toutes les intégrations
Données et RAGstoreType: chroma

Chroma

Chroma comme base vectorielle pour une base de connaissances EDDI. L'option la plus simple à mettre en place lorsque vous n'avez pas d'infrastructure existante à réutiliser.

Ce que vous obtenez

  • Des réponses enrichies par récupération à partir de vos propres documents
  • Une des 6 bases vectorielles, choisie par configuration plutôt que par code
  • Des sources d'ingestion : exploration de sites web et fichiers téléversés, avec planifications et historique d'exécution

Fonctionnement dans EDDI

  1. Lancer un serveur Chroma et noter son URL et un nom de collection.
  2. Créer une RagConfiguration avec storeType: "chroma" et les paramètres de la base, plus le fournisseur d'embeddings.
  3. La lier à l'agent avec une étape de workflow eddi://ai.labs.rag.
  4. La sélectionner dans la tâche LLM par son nom sous knowledgeBases, puis ingérer des documents.

Configuration

Tirée de la documentation d'EDDI. Les espaces réservés comme your-agent-id sont à remplacer par vos propres valeurs.

RagConfiguration (POST /ragstore/rags)La base de connaissances. Chroma prend une URL de base et un nom de collection.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "chroma",
  "storeParameters": {
    "baseUrl": "http://localhost:8000",
    "collectionName": "product-docs"
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json taskL'étape qui la lie à l'agent et la tâche qui l'utilise. Oublier l'étape de workflow est l'erreur la plus fréquente.
// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
  "extensions": {},
  "config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }

// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
    "actions": ["*"],
    "type": "openai",
    "knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
    "parameters": { "systemMessage": "You are a helpful assistant." }
} ] }

Gouvernance

  • Les clés d'API d'embeddings sont des références au coffre : le corpus de documents et les identifiants restent donc séparés.
  • Les appels d'embeddings envoient le texte des documents à un fournisseur d'embeddings hébergé. Si les données ne doivent pas quitter votre infrastructure, utilisez un modèle d'embeddings auto-hébergé.
  • Une base vectorielle ouverte est une copie de votre corpus. Exécutez Chroma avec authentification et hors des interfaces publiques.

Bon à savoir

  • Le remplacement des fragments d'un document est vérifié pour la base en mémoire et pgvector. Pour Chroma, il devrait fonctionner mais n'est pas couvert par des tests : des documents ré-ingérés peuvent donc laisser des fragments obsolètes.

Intégrations associées

La configuration et le comportement décrits sur cette page suivent la documentation d'EDDI, vérifiée le 2026-10-14. Les noms de champs et les valeurs par défaut peuvent changer d'une version à l'autre : confirmez-les dans la documentation de votre version.