一篇面向工程师与技术决策者的向量数据库知识科普文章

---

一、背景：我们为什么开始谈“向量”

在传统信息系统中，数据主要以结构化或半结构化形式存在：

• 数据库中的表、字段、行
• 文档系统中的关键词、标签
• 搜索引擎中的倒排索引

这类体系在处理 “确定性、精确匹配” 的问题上非常高效，例如：

• where id = 1001
• title like '%数据库%'
• keyword = 'PostgreSQL'

但随着业务逐渐智能化，出现了一类全新的问题：

“相似”比“相等”更重要。

例如：

• 这段话和另一段话“意思是否接近”？
• 这张图片和哪些图片“看起来像”？
• 用户当前行为和历史哪些用户“最相似”？
• 这个问题，和我之前问过的哪个问题“语义相近”？

这类问题，无法用传统 SQL 或关键词索引优雅解决，于是：

向量化表示 + 相似度搜索 成为新的基础能力。

而“向量数据库”，正是为此而生。

---

二、什么是向量数据库（Vector Database）

1. 一句话定义

向量数据库，是一种以“向量”为核心数据模型，专门用于高效存储、索引和检索高维向量，并支持相似度搜索的数据库系统。

它解决的核心问题是：

在海量高维数据中，快速找到“最相似的那些”。

---

2. 什么是“向量”

在这里，“向量”并不是数学课本里的抽象概念，而是：

现实世界对象在“特征空间”中的数值化表示。

常见示例：

对象	向量来源	典型维度
文本	Embedding 模型（BERT / Qwen / OpenAI）	384 / 768 / 1536
图片	CNN / ViT	512 / 1024
音频	声学模型	256 / 512
用户	行为特征工程	几十到几百

例如：

“MySQL 是一个数据库”

在经过 embedding 模型后，可能变成：

[0.021, -0.113, 0.887, ..., -0.045]

这个向量在数学空间中的“位置”，就代表了这段文本的语义含义。

---

3. 向量数据库里存什么

一个典型的向量数据库，存储的并不只是向量本身，而是：

(id, vector, metadata)

• id：唯一标识
• vector：高维浮点数组
• metadata：结构化信息（JSON / KV / 标签）

例如：

{
  "id": "doc_1024",
  "vector": [0.12, -0.88, ...],
  "metadata": {
    "title": "向量数据库入门",
    "source": "blog",
    "date": "2026-01-01"
  }
}

---

三、为什么传统数据库不适合做向量搜索

1. 高维空间的“维度灾难”

传统数据库索引（B-Tree、Hash）适用于：

• 低维
• 可排序
• 精确匹配

但向量搜索面临的是：

• 几百到几千维
• 连续浮点数
• 近似匹配（Top-K）

在高维空间中：

距离函数退化、索引剪枝失效、全表扫描不可避免。

---

2. SQL 对“相似度”并不友好

你很难用 SQL 优雅表达：

“找出和这个向量最接近的 10 条记录”

即便某些数据库支持：

ORDER BY cosine_distance(vec, :query_vec)
LIMIT 10;

在数据规模达到百万、千万级时，性能通常不可接受。

---

3. 向量搜索需要“近似”而不是“绝对正确”

工程上，向量搜索通常追求的是：

• 速度优先
• 可接受误差

这与传统数据库强调的：

• ACID
• 强一致性
• 精确结果

在设计哲学上存在根本差异。

---

四、向量数据库是如何工作的

1. 核心流程

原始数据
   ↓
Embedding 模型
   ↓
高维向量
   ↓
向量索引（ANN）
   ↓
相似度检索

---

2. 相似度度量方式

常见距离函数：

• 余弦相似度（Cosine Similarity）
• 欧氏距离（L2）
• 内积（Dot Product）

向量数据库会根据索引类型和模型特性选择合适的度量方式。

---

3. 核心技术：ANN（Approximate Nearest Neighbor）

向量数据库的灵魂，在于 近似最近邻搜索算法，常见包括：

• HNSW（图结构，当前事实标准）
• IVF / IVF-PQ
• LSH
• Annoy

它们的共同目标是：

在可控误差下，将搜索复杂度从 O(N) 降到接近 O(log N)。

---

五、为什么“现在”向量数据库变得重要

1. 大模型时代的基础设施

在 LLM 体系中，向量数据库是：

• RAG（Retrieval-Augmented Generation）的核心组件
• Agent 的长期记忆
• 多模态系统的统一语义索引层

一句话总结：

没有向量数据库，大模型只能“即兴发挥”。

---

2. 非结构化数据爆炸

现实世界的数据中：

• 文本、图片、音频、视频占比远高于结构化表

向量数据库，是连接 非结构化世界 与 计算系统 的桥梁。

---

3. 业务从“规则”走向“相似性”

越来越多系统的核心逻辑是：

• 推荐
• 匹配
• 搜索
• 召回

而这些，本质都是：

在向量空间中找邻居。

---

六、向量数据库能做什么（典型应用）

1. 语义搜索

• 不再依赖关键词
• 支持“意思相近即可”

---

2. RAG / 知识问答

• 文档向量化
• 问题向量化
• 检索 + 生成

---

3. 推荐系统

• 用户向量
• 内容向量
• 行为相似性

---

4. 多模态检索

• 以图搜图
• 以文搜图
• 跨模态匹配

---

七、向量数据库 ≠ 传统数据库的替代

需要明确的是：

向量数据库不是用来替代关系型数据库的。

更合理的架构是：

关系型数据库：事务 / 结构化数据
向量数据库：相似度 / 语义层
对象存储：原始文件

它们是互补关系，而非竞争关系。

---

八、总结

• 向量数据库解决的是 “相似性检索” 这一全新维度的问题
• 它以 高维向量 + ANN 索引 为核心
• 在大模型、RAG、多模态、推荐系统中已成为基础设施
• 它并不取代传统数据库，而是扩展了数据系统的能力边界

当你的系统开始关心“像不像”，而不是“是不是”，你就需要向量数据库。

---