定义
向量数据库（Vector Database）是一种专门用于存储、索引和检索向量数据的数据库系统。这里的“向量”通常是由嵌入模型（Embedding Model）从文本、图片、音频等内容中提取出的一串数字，用来表示内容的语义特征。
传统数据库擅长“精确匹配”，比如查找 ID 等于某个值、标题包含某个关键词的记录。向量数据库擅长的是“相似匹配”：给定一个向量，找出库中与它最接近的若干个向量，也就是语义上最相似的内容。即使用词完全不同，比如“怎么退货”和“申请退款流程”，也能被找到。
工作原理
使用向量数据库通常包括三个环节：
写入。 把文档切分成片段，用嵌入模型转换成向量，连同原文和元数据（如来源、日期、权限）一起存入数据库。
建索引。 如果每次查询都和库里所有向量逐一比较（暴力搜索），数据量大时会非常慢。因此向量数据库会建立“近似最近邻”（ANN）索引，用少量精度换取大幅的速度提升。常见的索引方法包括：
- HNSW：构建多层的近邻图，查询时从上层粗略定位、逐层向下精细查找。
- IVF：先把向量聚成若干簇，查询时只搜索最相关的几个簇。
- 乘积量化（PQ）：把向量压缩成更短的编码，降低内存占用、加快比较。
查询。 把用户的问题用同一个嵌入模型转成向量，在索引中找出距离最近的 K 个结果。衡量“接近”的方式通常是余弦相似度、点积或欧氏距离。很多系统还支持在相似搜索的同时按元数据过滤，比如“只搜索 2024 年之后、属于某部门的文档”。
除了专门的向量数据库产品，不少传统数据库和搜索引擎也加入了向量检索能力，例如 PostgreSQL 的 pgvector 扩展；还有像 FAISS 这样的向量检索库，可以嵌入到自己的程序中使用。选型时需要综合考虑数据规模、查询延迟、过滤需求和运维成本。
典型应用
- 检索增强生成（RAG）：为大模型检索相关资料片段。
- 语义搜索：按意思而非字面关键词搜索文档、商品、问答。
- 推荐系统：找到与用户兴趣或当前内容相似的物品。
- 以图搜图、以音搜音：在图片、音频库中查找相似内容。
- 去重与聚类：识别内容近似重复的文章或工单。
- 长期记忆：为 AI Agent 存储并按需回忆历史信息。
相关概念
- Embedding（嵌入）：向量数据库中存储的数据来源。
- RAG：向量数据库最常见的应用场景之一。
- 语义相似度：衡量向量之间接近程度的指标。
- 关键词检索（如 BM25）：常与向量检索结合，形成混合检索。