向量数据库（Vector Database）
向量数据库专门存储和检索高维向量——它是 RAG 系统的"记忆引擎"，让 AI 能在一毫秒内从百万文档中找到最相关的内容。
① 一句话定义
向量数据库（Vector Database）是一种专门设计用于存储、索引和检索高维向量数据的数据库系统。与传统数据库按字段值精确匹配不同，向量数据库通过向量相似度来查找"最接近"的数据，是 RAG、语义搜索、推荐系统等 AI 应用的底层基础设施。
② 为什么重要
向量数据库是 AI 应用的"海马体"——负责记忆和召回：
- 速度决定体验：在百万级向量中毫秒级返回最近邻，是实时 AI 应用（搜索、推荐）的前提。
- 规模决定能力：企业级 RAG 需要管理数亿级别的向量索引，传统数据库无法胜任。
- AI 基础设施化：2024-2026 年，向量数据库从"新鲜事物"变成了 AI 技术栈的标准组件。
③ 核心机制
向量数据库的核心挑战是近似最近邻搜索（ANN, Approximate Nearest Neighbor）——在可接受精度损失下，将检索速度从 O(n) 降到 O(log n)：
1. 索引算法：主流方案包括 HNSW（分层可导航小世界图）——构建多层图结构，从高层快速定位区域，底层精细搜索；IVF（倒排文件索引）——将向量空间聚类为多个"桶"，搜索时只查最近几个桶。
2. 距离度量：余弦相似度（语义方向）、欧氏距离（绝对距离）、点积（内积）——不同场景用不同度量。
3. 主流产品：Pinecone（全托管云服务）、Milvus（开源分布式）、Qdrant（Rust 编写，性能突出）、Weaviate（自带向量化和混合搜索）、Chroma（轻量级，适合原型开发）。PostgreSQL 的 pgvector 插件让传统关系型数据库也支持向量检索。
4. 元数据过滤：生产环境往往需要"向量相似度 + 元数据条件"的组合查询——例如"找与问题最相似的文档，但只限于 2024 年以后的"。
④ 典型应用场景
RAG 知识库：存储企业文档的 Embedding，为 LLM 提供检索服务。
语义搜索：用户自然语言查询匹配最相关的商品、文章或代码。
图像/视频检索：以图搜图，找视觉相似的内容。
推荐系统：基于用户行为向量找到兴趣相似的其他用户或内容。
⑤ 常见误区
误区：向量数据库能替代传统数据库
✅ 实际上：向量数据库专攻向量检索，不适合事务处理、ACID 保证等传统场景。通常是 PostgreSQL + 向量数据库的混合架构。
误区：向量搜索 100% 精准
✅ 实际上：ANN 算法本质是近似搜索，存在精度-速度权衡。召回率（Recall）通常在 95-99%，不是 100%。
「向量数据库让 AI 拥有了"快速回忆"的能力——不是精确匹配关键词，而是找到"意思最接近"的内容。
」