向量与向量数据库

向量是现代 AI 应用中非常重要的表示方式。文本、图片、音频都可以被模型转换成一串数字，这串数字就可以看作向量。向量数据库则负责存储这些向量，并快速查找相似内容。

为什么需要向量

传统搜索主要依赖关键词。用户搜“如何报销差旅费”，文档里如果写的是“出差费用申请流程”，关键词不完全一致，传统搜索可能找不到。

向量搜索关注语义相似度。只要模型认为“报销差旅费”和“出差费用申请”意思接近，就有机会把相关文档找出来。

向量长什么样

一个文本向量可能像这样：

[0.12, -0.08, 0.45, ..., 0.03]

真实向量通常有几百到几千维。每一维不一定能直接解释，但整体位置能表达语义特征。

向量数据库解决什么问题

如果只有 10 篇文档，直接计算相似度就可以。但如果有 100 万段文本，每次都全量比较会很慢。向量数据库会建立索引，让相似搜索更快。

常见能力包括：

• 向量写入和删除；
• 相似度检索；
• TopK 查询；
• 元数据过滤；
• 批量更新；
• 与 RAG 系统集成。

在RAG中的作用

RAG 通常这样使用向量数据库：

1. 把文档切成段落；
2. 用 embedding 模型把每段转成向量；
3. 存入向量数据库，同时保存来源、标题、时间等元数据；
4. 用户提问时，把问题也转成向量；
5. 检索最相近的文档片段；
6. 把片段交给大模型生成回答。

如果向量库召回错了，后面的大模型很难答对。

切片为什么重要

文档切得太长，检索结果可能包含太多无关内容；切得太短，又可能缺少上下文。常见做法是按标题、段落或固定长度切分，并保留一定重叠。

例如制度文档可以按小节切，FAQ 可以按问题切，代码文档可以按函数或类切。

常见向量数据库

常见选择包括 FAISS、Milvus、Qdrant、Weaviate、Chroma、pgvector 等。选择时要看数据规模、部署方式、过滤能力、生态集成和维护成本。

小项目可以从 Chroma 或 FAISS 开始；生产项目要更重视权限、备份、监控和扩展能力。

常见误区

• 只存向量，不存原文和来源；
• 不做元数据过滤，导致结果范围太大；
• 向量模型换了，但旧向量不重建；
• 只看相似度，不做人工质量评估；
• 把语义相似当成事实正确。

小结

向量让语义可以被计算，向量数据库让大规模语义检索变得可用。学会它的关键是理解 embedding、切片、索引、召回和评估之间的关系。