什么是向量数据库

作者：Lvan的前端笔记
向量数据库（Vector Database） 是一种专门用来存储和检索**向量（embedding）**的数据系统。它主要解决一个问题：如何在海量数据中找到“语义最相似”的内容。
在 AI 时代（特别是大模型时代），它是非常核心的一种基础设施。

---

一、什么是向量（Embedding）

普通数据库存的是：

数据	类型
用户名	字符串
年龄	数字
时间	日期

而向量数据库存的是：

1. [0.123, -0.883, 0.225, ...]

复制代码

这种 几百到几千维的数字数组。
这些向量通常由大模型生成，比如：

OpenAI APISentence TransformersBERT

例如一句话：

1. “猫在沙发上睡觉”

复制代码

会被转成：

1. [0.132, 0.443, -0.887, ...]

复制代码

另一句话：

1. “小猫在椅子上休息”

复制代码

生成的向量会 非常接近。
所以就可以通过 向量距离 找到语义相似内容。
常见计算方式：

余弦相似度欧式距离点积

---

二、为什么需要向量数据库

普通数据库做不了这种查询：

1. 找出语义最相似的10条数据

复制代码

SQL数据库只能：

1. WHERE name = "xxx"

复制代码

但 AI 需要的是：

1. 查找最相似的文本

复制代码

比如：
用户问：

1. 退款怎么操作？

复制代码

系统需要找到最接近的知识：

1. 如何申请退款
2. 退款流程
3. 订单退款规则

复制代码

这个过程就是：

1. 用户问题 -> embedding -> 向量搜索 -> 找到最相关内容

复制代码

---

三、向量数据库的核心能力

向量数据库主要解决三件事：
1 向量存储

存储：

1. id
2. vector
3. metadata

复制代码

例如：

1. {
2. id: "doc1",
3. vector: [0.11, 0.33, ...],
4. text: "退款流程..."
5. }

复制代码

---

2 相似度搜索

查询：

1. 找最接近这个向量的K个数据

复制代码

也叫：

1. KNN Search

复制代码

或者：

1. ANN (Approximate Nearest Neighbor)

复制代码

---

3 混合搜索

很多数据库支持：

1. 向量搜索 + 关键词搜索

复制代码

例如：

1. 语义相似 AND 标签=技术

复制代码

---

四、常见向量数据库

目前主流向量数据库主要有这几类：

名称	公司	特点
Milvus	Zilliz	最流行开源向量数据库
Pinecone	Pinecone	云原生向量数据库
Weaviate	Weaviate	支持 GraphQL
Qdrant	Qdrant	Rust写的，性能高
Chroma	Chroma	LLM应用最常用
Faiss	Meta	向量搜索库（不是完整DB）

---

国内常见

名称	公司
Milvus	国内最流行
Elastic Vector Search	Elastic
OpenSearch Vector Engine	阿里
DashVector	阿里云

---

五、最典型使用场景

1 RAG（AI知识库）

这是 现在最火的场景。
RAG =

1. Retrieval Augmented Generation
2. 检索增强生成

复制代码

流程：

1. 文档
2. ↓
3. 切分 chunk
4. ↓
5. embedding
6. ↓
7. 存入向量数据库

复制代码

用户提问：

1. 问题 -> embedding
2.       -> 向量搜索
3.       -> 找到最相关文档
4.       -> 给大模型

复制代码

最终：

1. AI根据你的知识库回答

复制代码

典型技术：

LangChainLlamaIndex

---

2 AI 搜索引擎

比如：

1. 语义搜索

复制代码

用户搜索：

1. 怎么申请退款

复制代码

系统能找到：

1. 订单退款指南
2. 退货规则

复制代码

即使没有关键词。

---

3 推荐系统

电商推荐：

1. 用户行为 -> 向量
2. 商品 -> 向量

复制代码

计算相似度：

1. 用户向量 vs 商品向量

复制代码

推荐最匹配的商品。

---

4 图片 / 视频检索

例如：
上传一张猫的图片：

1. 图片 -> embedding

复制代码

向量数据库搜索：

1. 最相似图片

复制代码

类似：

Google Images 的反向图片搜索

---

5 AI代码搜索

比如：

1. 找一个 websocket reconnect 示例

复制代码

系统能找到语义类似代码。
很多 AI IDE 就是这样做的。

---

六、一个完整技术流程（AI知识库）

这是现在公司最常见架构：

1. 文档
2.   ↓
3. 切分 chunk
4.   ↓
5. Embedding
6.   ↓
7. Vector DB
8.   ↓
9. 用户提问
10.   ↓
11. Embedding
12.   ↓
13. 向量搜索
14.   ↓
15. 相关内容
16.   ↓
17. LLM生成回答

复制代码

用到技术：

embedding模型向量数据库大模型

---

七、为什么 AI 时代突然火了

因为所有东西都能变成向量：

数据	embedding
文本	text embedding
图片	image embedding
音频	audio embedding
视频	video embedding
代码	code embedding

所以：

1. 万物皆可向量

复制代码

向量数据库就成了 AI时代的基础设施。

---

八、如果你是程序员（重点）

你作为前端 / AI开发，其实最可能接触的是：
RAG + 向量数据库
例如：
做一个企业AI助手：

1. 公司文档
2. 产品说明
3. 接口文档
4. FAQ

复制代码

全部进向量数据库。
用户问：

1. 接口限流是多少

复制代码

AI可以回答。

---

“RAG系统完整架构（企业级 AI 知识库怎么做）”
包括：

文档怎么切 chunkembedding 怎么选向量数据库怎么设计检索怎么优化如何避免 AI 幻觉

原文地址：https://blog.csdn.net/weixin_43972437/article/details/158805250