什么是 向量数据库？
向量数据库是一种专门设计用于存储、索引和查询高维向量嵌入的数据库，能够对文本、图像和音频等非结构化数据进行高效的相似性搜索和检索。
快速了解
| 创建时间 | 概念出现于 2010 年代，2022-2023 年随 LLM 普及 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
向量数据库专门用于处理机器学习模型生成的向量嵌入。与传统数据库匹配精确值不同，向量数据库通过计算高维空间中向量之间的距离（如余弦相似度、欧几里得距离或点积）来查找相似项。它们采用专门的索引算法，如 HNSW（分层可导航小世界）、IVF（倒排文件索引）和 PQ（乘积量化），以在数百万或数十亿向量中实现快速的近似最近邻（ANN）搜索。向量数据库是现代 AI 应用的关键基础设施，包括语义搜索、推荐系统和检索增强生成（RAG）。
主要特点
- 针对高维向量存储和相似性搜索进行优化
- 使用近似最近邻（ANN）算法实现快速检索
- 支持多种距离度量：余弦、欧几里得、点积
- 可扩展至数十亿向量，查询延迟低于秒级
- 通常支持元数据过滤与向量搜索结合
- 与 OpenAI、Cohere 等嵌入模型集成
常见用途
- 语义搜索：按含义而非关键词查找文档
- RAG 系统：为 LLM 响应检索相关上下文
- 推荐引擎：查找相似的产品、内容或用户
- 图像搜索：在大型集合中查找视觉相似的图像
- 异常检测：识别高维数据中的异常值
示例
Loading code...常见问题
向量数据库和传统数据库有什么区别？
传统数据库存储结构化数据并执行精确值匹配。向量数据库存储高维嵌入并使用距离计算查找相似项。SQL 数据库擅长过滤和连接表，而向量数据库擅长语义相似性搜索，目标是找到概念相关的项目而非精确匹配。
最流行的向量数据库有哪些？
流行的专用向量数据库包括 Pinecone、Weaviate、Milvus、Qdrant 和 Chroma。带向量扩展的传统数据库包括 PostgreSQL（pgvector）、Elasticsearch 和 Redis。云服务商提供托管解决方案，如 AWS OpenSearch、Google Vertex AI Vector Search 和 Azure Cognitive Search。
向量数据库如何实现快速相似性搜索？
向量数据库使用近似最近邻（ANN）算法，以牺牲完美精度换取速度。常见算法包括 HNSW（基于图）、IVF（基于聚类）和 PQ（基于压缩）。这些技术创建索引结构，实现亚线性搜索时间，使得在毫秒内查询数十亿向量成为可能。
应该使用多少维度的嵌入？
嵌入维度取决于模型和用例。OpenAI 的 text-embedding-3-small 使用 1536 维，text-embedding-3-large 使用 3072 维。更高维度捕获更多细微差别，但需要更多存储和计算。许多应用使用 384-1536 维效果良好。一些向量数据库支持维度缩减以优化成本。
如何选择正确的距离度量？
余弦相似度最常用于文本嵌入，因为它测量向量之间的角度而不考虑大小。当向量大小重要时，欧几里得距离效果好。点积计算最快，适用于归一化向量。大多数嵌入模型使用余弦相似度训练，使其成为默认选择。