向量数据库（Vector Database）

向量数据库（Vector Database），又称向量存储或向量搜索引擎，是一类专门用于存储、索引和检索向量（即固定长度的数值列表）的数据库系统，能根据相似度快速找出与查询向量最接近的记录。

概述

在 AI 领域，文本、图片、音频等非结构化数据通常会先通过深度学习模型转换成 Embedding（嵌入向量），语义相近的内容在向量空间中的距离也更近。传统关系型数据库擅长精确匹配，却难以高效回答「哪些数据和它最相似」这类问题，向量数据库正是为此而生。

它的核心是近似最近邻（ANN）算法：在海量向量中不做逐条暴力比对，而是通过特殊索引结构快速锁定近似最优结果，用少量精度换取数量级的速度提升。随着大语言模型兴起，向量数据库成为 RAG（检索增强生成）架构的标配组件——先把知识库向量化入库，提问时检索出相关片段再交给模型作答，从而缓解 AI 幻觉、让模型能引用私有资料。

主要特点

• 相似度检索：支持余弦相似度、欧氏距离、内积等多种度量方式，按语义而非关键词匹配。
• ANN 索引：常见索引算法包括 HNSW（分层可导航小世界图）、IVF（倒排文件）、PQ（乘积量化）等。
• 标量过滤：可结合元数据条件（如时间、分类、作者）与向量检索做混合查询。
• 水平扩展：面向亿级以上向量规模设计，支持分布式部署与增量更新。

常见产品

目前生态中既有 Milvus、Qdrant、Weaviate、Chroma 等开源专用向量数据库，也有 Pinecone 这类全托管云服务；此外 PostgreSQL 的 pgvector 扩展、Redis、Elasticsearch 等传统数据库也纷纷加入向量检索能力，开发者可按规模和运维成本选型。

常见问题

问：向量数据库和传统数据库有什么区别？答：传统数据库按字段精确查询或范围过滤，向量数据库按「语义距离」找最相似的结果，两者常配合使用，并不互相替代。

问：做 RAG 一定要用专门的向量数据库吗？答：不一定。数据量小时用 pgvector 甚至内存检索即可；当向量规模大、并发高或需要复杂过滤时，专用向量数据库的性能和运维优势才明显。

问：向量数据库存的是原始数据吗？答：主要存的是向量及关联的元数据，原文或图片本体可存在向量库内，也常放在对象存储等外部系统，检索后按 ID 取回。