[Feature Request]: Add Chroma vector database ingestion connector for RAG pipelines
Los mantenedores suelen responder en 1 día
@nitinware ya está trabajando en esto.
Desde el 7/9/2026.
Evaluación
Este issue todavía no se ha evaluado.
Descripción
What would you like to happen?
Motivation
Beam's Python ml/rag ingestion module currently supports Milvus and Qdrant (sdks/python/apache_beam/ml/rag/ingestion/). Chroma is one of the most widely-adopted open-source vector databases, especially for local and embedded RAG workloads, and is the missing piece in Beam's OSS vector-DB coverage.
Proposal
Add sdks/python/apache_beam/ml/rag/ingestion/chroma.py implementing a WriteToChroma PTransform matching the shape of the existing Milvus and Qdrant connectors:
- Accepts
Chunkrecords from the existing RAG chunking transforms - Supports both
chromadb.HttpClient(remote) andchromadb.PersistentClient
(embedded / local) client modes - Configurable collection name, embedding + metadata mapping, batch size
- Standard retry/backoff
Benefits
- Completes Beam's coverage of the OSS local-first vector-DB tier
- Chroma is Apache-2.0 licensed — no dependency-license concerns
PersistentClientruns in-process, so integration tests do not need
Docker or a remote service — a meaningful advantage over Milvus/Qdrant
which require running servers in CI
Testing plan
- Unit tests mirroring
qdrant_test.py - Integration test using
chromadb.PersistentClientagainst a tmpdir
(no external service required) - Docs + example consistent with existing Milvus / Qdrant docs
Issue Priority
Priority: 2 (default / most feature requests should be filed as P2)
Issue Components
- Component: Python SDK
- Component: Java SDK
- Component: Go SDK
- Component: Typescript SDK
- Component: IO connector
- Component: Beam YAML
- Component: Beam examples
- Component: Beam playground
- Component: Beam katas
- Component: Website
- Component: Infrastructure
- Component: Spark Runner
- Component: Flink Runner
- Component: Prism Runner
- Component: Twister2 Runner
- Component: Hazelcast Jet Runner
- Component: Google Cloud Dataflow Runner
- Lenguaje dominante
- Java
- Estrellas
- 8.7k
- Forks
- 4.7k
- Merge medio
- 2 d 4 h
- PR fusionados (30 d)
- 278
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de apache/beam
-
[Feature Request]: Support Protobuf 7.x in Python SDKPosiblemente ocupada @sofiathoren la tomó hace 4 días. AbiertoP2 python
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
Los mantenedores suelen responder en 1 día
-
[Bug]: Row.toString throws for an ITERABLE field that is not backed by a ListPosiblemente ocupada @PDGGK la tomó hace 65 días. Abiertojava P3
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
apache/beam#39624 · 2 reacciones ·
Los mantenedores suelen responder en 1 día
-
[Bug]: PubsubIO used in batch incorrect batch cutoff sizePosiblemente ocupada @1fanwang la tomó hace 54 días. Abiertobug io P3 pinned pubsub
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
apache/beam#28011 · 4 comentarios ·
Los mantenedores suelen responder en 1 día
-
build P3 sub-task
Dificultad 1/5 Menos de una hora Aptitud para principiantes 68/100
Los mantenedores suelen responder en 1 día
Todos los issues de apache/beam
Issues similares
-
pdfium-drift
Dificultad 1/5 Menos de una hora Aptitud para principiantes 82/100
Stirling-Tools/JPDFium#176 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
hiero-ledger/hiero-consensus-node#27712 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 61/100
Vakore/ZappierGames#162 ·
-
Improve README documentation clarity and fix minor wording issuesPosiblemente ocupada @simplesilence la tomó hoy. Abierto
Dificultad 1/5 1-3 horas Aptitud para principiantes 84/100
resilience4j/resilience4j#2567 ·
Los mantenedores suelen responder en 6 días
-
Priority/High
Dificultad 2/5 1-3 horas Aptitud para principiantes 65/100
wso2/dpdp-accelerator#417 ·
Los mantenedores suelen responder en 1 día