什么是 向量数据库？
向量数据库是持久化向量 Embedding，并按指定距离度量检索相近记录的数据系统。生产实现还需要围绕精确或近似最近邻搜索管理稳定 ID、元数据过滤、更新删除、持久化、可观测性与访问控制。
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
精确检索与近似检索
精确检索比较全部合法候选，并返回指定度量下的真实 Top-K。它既是小规模系统的可用方案，也是评估 ANN 索引所需的 Ground Truth。HNSW 遍历分层近邻图，IVF 搜索选中的聚类，乘积量化用有损编码缩小工作集。它们都不是通用最优解，因为 Recall、尾延迟、内存、构建时间、过滤与更新速率会相互影响。
过滤与权限
Tenant、ACL、生命周期、语言和文档范围都属于检索正确性。对 ANN 候选做后过滤可能返回不足 K 条结果，或漏掉相关且有权访问的近邻；预过滤与融合过滤也有不同成本。授权范围必须来自服务端可信身份，并覆盖缓存 Key、索引重建、重试和故障转移。
Embedding 生命周期
不同模型 Revision、Task Mode、预处理、维度、归一化策略或距离度量生成的向量，应视为不同 Embedding Generation。安全迁移需要回填新版本、对账记录与删除、在同一标注查询集上双读评测、通过质量门禁后切换别名，并保留旧 Generation 用于回滚。
系统边界
向量数据库是候选召回层，不是完整搜索或 RAG 系统。切片、Embedding 质量、词法召回、重排、上下文组装、引用与答案评测仍是独立责任。向量数据库指南进一步讲解存储选型、基准设计、恢复与总成本。
主要特点
- 把向量与稳定 ID、模型 Generation、过滤字段及源记录引用一起存储
- 支持精确检索和/或 ANN 索引，并用精确基线测量近似召回
- 距离度量必须与 Embedding 模型和归一化契约一致
- 把相似度检索与 Metadata、Tenant、ACL 和生命周期条件组合
- 定义可观察的插入、更新、删除、重建、备份与恢复语义
- 在 Recall、p95/p99 延迟、内存、新鲜度与成本之间做多目标权衡
常见用途
- 在文档、代码、商品、图像或音频中执行语义搜索
- 为 RAG 提供带来源 ID 与授权过滤的候选召回
- 推荐系统和相似内容检索
- 重复检测、聚类辅助与异常候选发现
- 在表示兼容时执行多模态检索
示例
Loading code...常见问题
向量索引和向量数据库有什么区别？
向量索引是查找最近邻的数据结构或算法库；向量数据库则在索引之外提供持久记录、稳定 ID、元数据过滤、变更接口、副本或备份、可观测性与安全控制。Faiss 属于索引库，pgvector 为 PostgreSQL 增加向量索引，而专用服务把索引与自己的存储和运维模型打包。
每个 RAG 系统都需要独立向量数据库吗？
不需要。小型或经过严格分区的语料可以使用精确检索；PostgreSQL + pgvector 适合把向量与事务数据放在一起；搜索引擎适合统一词法、Facet 与向量检索。只有实测 Recall、过滤延迟、写入率、分布式或运维要求超过简单方案时，才需要独立系统。
HNSW 和 IVF 有什么区别？
HNSW 搜索分层近邻图，往往能取得较好的 Recall/Latency 权衡，但图会占用内存并增加构建或维护成本。IVF 训练聚类中心，把向量分配到 List，再探测部分 List；它通常索引内存更低，但依赖代表性训练数据和 Probe 数量。两者应在相同 Recall@K 目标下比较。
为什么元数据过滤可能降低 ANN 召回率？
部分系统会先召回近似候选，再执行过滤。如果 Tenant、日期或 ACL 条件只允许很少记录，查询可能返回不足 K 条，或漏掉更接近的合法记录。Filter-aware Traversal、Iterative Scan、分区、过采样或精确检索都可能改善问题，但必须按真实选择率验证。
不同 Embedding 模型的向量可以放在同一个索引中吗？
除非模型提供方明确保证向量空间兼容，否则不应混合比较。模型 Revision、Task Mode、预处理、维度、归一化与距离度量共同构成 Embedding 契约。应分开存储 Generation，回填并双读评测新版本，通过门禁后切换别名，同时保留回滚能力。