# Termux ARM64 ML 方案排除详情 每个方案被排除的具体原因,避免将来重新评估时踩同样的坑。 ## ChromaDB - `pip install chromadb` 安装后占用 300MB+ - 依赖链:sqlite3 → hnswlib → onnxruntime → tokenizers → pydantic → ... - hnswlib 需要 C++ 编译,ARM64 上可能失败 - 对于几百到几千篇文档的场景,过度设计 ## FAISS - `faiss-cpu` 的 pip wheel 只支持 Linux x86_64 和 macOS - 从源码编译需要:BLAS/LAPACK、swig、C++17 编译器 - Termux 的 clang + cmake 理论上可编译,但交叉编译依赖项(openblas)极麻烦 - 官方不提供 aarch64 Android wheel ## LanceDB - 底层用 Rust 编写(lance 格式) - pip 安装时触发 Rust 工具链编译 - Termux 上的 Rust 工具链不完整 - 即使编译成功,二进制体积也过大 ## Milvus / Qdrant / Weaviate - 全是 Docker-first 部署 - Milvus 最低要求 4GB RAM + Docker - 本地嵌入式模式理论上存在但文档不完善 - 数据量几千篇,这些方案过度设计 ## pgvector - 需要完整的 PostgreSQL 安装 - Termux 有 postgresql 包但维护成本高 - 为了几百条向量装一个数据库,不值得 ## OpenAI / Cohere Embedding API - 用户明确要求本地方案,不走云端 - 虽然最简单,但不符合需求约束 ## 最终选择 **numpy + SQLite BLOB**: - numpy 已安装(Python 标准数据科学生态) - SQLite 是 Python 标准库 - 余弦相似度 top-K 对千级向量只需 <10ms - 零额外依赖,零编译 - 向量存为 BLOB(`numpy.tobytes()` / `numpy.frombuffer()`)