大模型Rag - 向量数据库

作者：CSDN博客
一、什么是向量数据库？

向量数据库（Vector Database）是专门为存储和查询高维向量而设计的数据库系统。它主要应用于语义检索、推荐系统、图像识别等场景，通过 embedding 模型将非结构化数据（如文本）转化为向量，再利用向量数据库完成存储与高效检索。
与关系型数据库的核心区别

特性	关系型数据库	向量数据库
存储数据类型	多种字段类型（int, string 等）	向量（float 数组）和文档
检索方式	精确匹配、范围查询	相似度匹配（向量距离）
索引结构	B+ 树、哈希索引	IVF、PQ、HNSW 等向量索引
应用场景	结构化数据管理	非结构化数据语义搜索

向量数据库的核心能力体现在高效的相似度检索，它必须在大规模向量集合中快速找到“最接近”的向量，而不仅仅是相等匹配。
二、主流向量数据库盘点

当前向量数据库生态大致可以分为两类：

专为向量而生的数据库：如 Chroma、Milvus、FAISS 等；传统数据库添加向量支持：如 Elasticsearch、Redis、ClickHouse 等。

三、Chroma：轻量易用的向量数据库

Chroma 是一款开源、AI 原生的向量数据库，支持本地和服务端部署。它为开发者提供了简洁的 API 和开箱即用的体验，适合中小型项目的快速开发。
核心特性

安装简便，一行命令 pip install chromadb 即可；支持多语言调用（Python、JavaScript 等）；集成主流 AI 开发框架（如 LangChain）；支持混合检索：元数据过滤 + 向量相似度检索。

四、Milvus：工业级向量数据库之选

Milvus 是由 Zilliz 开发的云原生向量数据库，具备强大的横向扩展能力，适用于千万甚至亿级向量的管理。
核心特性

本地/服务端/分布式部署，灵活选择；支持 GPU 加速、角色权限控制；丰富的索引类型和相似度度量（如 L2、余弦、IP）；与 Chroma 类似支持混合检索和多语言调用。

五、Chroma 与 Milvus 对比总结

特性维度        Chroma        Milvus
上手难度        ⭐⭐⭐⭐☆（易上手）        ⭐⭐☆☆☆（较复杂）
部署方式        本地 / 服务端        本地 / 服务端 / 分布式
可扩展性        中等        高
检索能力        支持元数据 + 向量检索        支持更多相似度度量与索引算法
权限与监控        暂不支持        支持角色权限、监控与日志功能
适合项目规模        中小型        中大型
六.索引

Flat 索引（全表扫描）

Flat 是最原始的方式，它直接对每一个向量进行逐个计算相似度并排序。
✅ 优点：100% 精度
❌ 缺点：速度慢，不适合大数据量
适合场景：

数据量 < 5,000精度要求极高的科研类项目

IVF 倒排索引

IVF（Inverted File Index）通过KMeans 聚类将向量集合分成多个簇，在检索时先找到最相近的簇，再在簇内做局部扫描。