向量数据库Vector Database是一种专门用来存储和检索**向量embedding**的数据系统。它主要解决一个问题如何在海量数据中找到“语义最相似”的内容。在 AI 时代特别是大模型时代它是非常核心的一种基础设施。一、什么是向量Embedding普通数据库存的是数据类型用户名字符串年龄数字时间日期而向量数据库存的是[0.123, -0.883, 0.225, ...]这种几百到几千维的数字数组。这些向量通常由大模型生成比如OpenAI APISentence TransformersBERT例如一句话“猫在沙发上睡觉”会被转成[0.132, 0.443, -0.887, ...]另一句话“小猫在椅子上休息”生成的向量会非常接近。所以就可以通过向量距离找到语义相似内容。常见计算方式余弦相似度欧式距离点积二、为什么需要向量数据库普通数据库做不了这种查询找出语义最相似的10条数据SQL数据库只能WHERE name xxx但 AI 需要的是查找最相似的文本比如用户问退款怎么操作系统需要找到最接近的知识如何申请退款 退款流程 订单退款规则这个过程就是用户问题 - embedding - 向量搜索 - 找到最相关内容三、向量数据库的核心能力向量数据库主要解决三件事1 向量存储存储id vector metadata例如{ id: doc1, vector: [0.11, 0.33, ...], text: 退款流程... }2 相似度搜索查询找最接近这个向量的K个数据也叫KNN Search或者ANN (Approximate Nearest Neighbor)3 混合搜索很多数据库支持向量搜索 关键词搜索例如语义相似 AND 标签技术四、常见向量数据库目前主流向量数据库主要有这几类名称公司特点MilvusZilliz最流行开源向量数据库PineconePinecone云原生向量数据库WeaviateWeaviate支持 GraphQLQdrantQdrantRust写的性能高ChromaChromaLLM应用最常用FaissMeta向量搜索库不是完整DB国内常见名称公司Milvus国内最流行Elastic Vector SearchElasticOpenSearch Vector Engine阿里DashVector阿里云五、最典型使用场景1 RAGAI知识库这是现在最火的场景。RAG Retrieval Augmented Generation 检索增强生成流程文档 ↓ 切分 chunk ↓ embedding ↓ 存入向量数据库用户提问问题 - embedding - 向量搜索 - 找到最相关文档 - 给大模型最终AI根据你的知识库回答典型技术LangChainLlamaIndex2 AI 搜索引擎比如语义搜索用户搜索怎么申请退款系统能找到订单退款指南 退货规则即使没有关键词。3 推荐系统电商推荐用户行为 - 向量 商品 - 向量计算相似度用户向量 vs 商品向量推荐最匹配的商品。4 图片 / 视频检索例如上传一张猫的图片图片 - embedding向量数据库搜索最相似图片类似Google Images 的反向图片搜索5 AI代码搜索比如找一个 websocket reconnect 示例系统能找到语义类似代码。很多 AI IDE 就是这样做的。六、一个完整技术流程AI知识库这是现在公司最常见架构文档 ↓ 切分 chunk ↓ Embedding ↓ Vector DB ↓ 用户提问 ↓ Embedding ↓ 向量搜索 ↓ 相关内容 ↓ LLM生成回答用到技术embedding模型向量数据库大模型七、为什么 AI 时代突然火了因为所有东西都能变成向量数据embedding文本text embedding图片image embedding音频audio embedding视频video embedding代码code embedding所以万物皆可向量向量数据库就成了AI时代的基础设施。八、如果你是程序员重点你作为前端 / AI开发其实最可能接触的是RAG 向量数据库例如做一个企业AI助手公司文档 产品说明 接口文档 FAQ全部进向量数据库。用户问接口限流是多少AI可以回答。“RAG系统完整架构企业级 AI 知识库怎么做”包括文档怎么切 chunkembedding 怎么选向量数据库怎么设计检索怎么优化如何避免 AI 幻觉