向量数据库 (Vector Database)
向量数据库专门存储与检索高维向量（Embedding），是语义搜索和 RAG 系统的检索底座。它把「语义相近」变成「距离相近」，让机器第一次能按含义而非关键词匹配信息。
关键词详情
定义
向量数据库是专门面向高维向量（文本/图像经 Embedding 模型编码后的数值表示）的存储与检索系统。核心能力是近似最近邻搜索（ANN）：在亿级向量中毫秒级找出与查询向量最相近的 K 条记录，常用索引有 HNSW、IVF、DiskANN。它解决了传统数据库「只能按关键词精确匹配」的问题——语义搜索、推荐、RAG 检索都依赖它。
应用场景
- RAG 知识库：企业文档切分入库，按语义检索后交给大模型作答
- 语义搜索：电商商品搜索理解「宽松通勤连衣裙」这类自然语言
- 推荐系统：基于内容向量的相似推荐与去重
- Agent 记忆：长期记忆的存取（Agent 阅历的检索底座）
- 图片/音频检索：跨模态以图搜图、哼唱识别
常见问题
- 向量数据库和用 NumPy 暴力算距离有什么区别？
- 数据量在几千条以内时，NumPy 暴力检索完全够用且 100% 精确。向量数据库的价值在亿级数据下的毫秒级检索（靠 HNSW 等近似索引）、元数据过滤、分布式扩展与持久化。原型阶段可以先暴力检索，等规模上来再换专业库。
- 选型应该看什么？
- 四个问题：数据量级（百万级以下 pgvector/Chroma 足够）；是否需要元数据过滤（Qdrant/Weaviate 支持好）；运维能力（有没有人管集群，没有就选 pgvector 或托管服务）；是否需要混合检索（关键词 + 向量）。不要按跑分选型，按运维成本选型。
- Embedding 模型怎么选？
- 中文场景优先看 C-MTEB 榜单，主流选择有 BGE 系列、Qwen Embedding 等。关键原则：查询与文档必须用同一个模型编码；换 Embedding 模型等于全库重建，是 RAG 系统最贵的迁移，选型时就要预留这个成本意识。
- 为什么我的 RAG 检索效果差？
- 多数问题出在检索之前：切分粒度不合理（太碎丢上下文、太粗稀释语义）、没有保留标题等元数据、Embedding 模型与领域不匹配。先优化切分与元数据，再考虑换库或上混合检索。
向量数据库 (Vector Database)
定义
文本、图片经 Embedding 模型编码后变成一个高维向量（如 1024 维的浮点数组）。语义相近的内容，向量在空间中的距离也相近——「如何退货」和「退货流程是什么」的向量距离，远小于它与「如何开发票」的距离。向量数据库就是把这种「语义距离」变成可毫秒级查询的索引系统。
工作原理
写入侧：文档 → 切分(Chunking) → Embedding 编码 → 向量 + 元数据入库
查询侧：用户问题 → 同一模型编码 → ANN 检索 Top-K → 按元数据过滤 → 返回结果主流索引算法 HNSW（分层可导航小世界图）用「多层跳表式图结构」换取近似的对数级查找，代价是内存占用与召回率的权衡：ef 参数越大越准越慢。
主流产品对比
| 产品 | 形态 | 优势 | 适合 | |------|------|------|------| | pgvector | PostgreSQL 插件 | 零新增运维、SQL 生态 | 数据百万级以内的多数业务 | | Qdrant | 独立服务 | Rust 高性能、过滤强 | 中大规模、需要复杂过滤 | | Milvus | 分布式集群 | 水平扩展、生态全 | 亿级数据、专职运维团队 | | Chroma | 嵌入式库 | 一个 pip install | 原型与个人项目 | | Pinecone | SaaS | 免运维、弹性 | 不想管基础设施的团队 |
与 RAG 的关系
RAG（检索增强生成）= 向量检索 + 大模型生成。向量数据库决定「找回来的资料准不准」，直接决定 RAG 答案的可靠性。建 RAG 系统时，60% 的调优精力应该花在切分策略与检索质量上，而不是换更大的模型。参见本站词条 [RAG](/keywords/rag)。
学习路径
1. 用 Python + Chroma 实现一个 100 篇文档的语义搜索 Demo 2. 换成 pgvector，体验元数据过滤（按部门/时间筛选）对结果的影响 3. 对比不同切分粒度（256/512/1024 字符）的检索命中率 4. 上 HNSW 参数调优，理解 ef 与召回率/延迟的权衡
相关资源
- Pinecone 向量数据库入门教程 - 概念讲解最清晰
- Qdrant - 开源高性能向量数据库
- 本站词条 [RAG](/keywords/rag)、[MCP](/keywords/mcp)
常见问题
下载链接失效怎么办？
请优先切换其他网盘渠道，并反馈失效链接。
会员能下载所有资料吗？
页面标注为会员专享的资料支持会员下载，具体以当前页面显示为准。
相关资源
RAG (Retrieval-Augmented Generation)
RAG 是检索增强生成技术，通过向量数据库检索相关文档片段，作为上下文注入大模型，解决模型知识截止、幻觉、私有数据不可用等问题，是企业级 AI 应用落地的核心架构模式。
Agent Skill (智能体技能)
Agent Skill 是可复用、可组合、可分发的 AI 智能体能力单元。它封装了特定任务的提示词、工具调用链、数据处理逻辑、错误重试策略，支持在 Claude、Codex、Cursor 等环境中直接加载调用，实现「一次编写，多端复用」。
AI 智能体 (AI Agent)
AI Agent 是能感知环境、自主规划、调用工具并迭代完成目标的大模型应用形态。区别于单轮问答，Agent 具备任务拆解、工具调用、记忆与反思能力，是当前 AI 应用落地最活跃的方向。
模型微调 (Fine-tuning)
微调是在预训练大模型基础上用领域数据继续训练，让模型稳定掌握特定风格、格式与知识的技术。借助 LoRA/QLoRA 等参数高效方法，消费级显卡也能完成以前需要机房级算力的微调任务。
评论建议
欢迎反馈资料质量、链接状态或希望补充的内容，管理员会持续维护。