向量数据库概览

🤖 数据库家族里最年轻的一类，AI 时代的新物种。

为什么 AI 需要一种新数据库？

传统数据库的查询都是精确匹配：WHERE name = "张三"，要么等于要么不等于。但 AI 处理的世界不是这样的：

解决方案是 embedding（嵌入）：把文本、图片、音频统统交给模型，压成一个高维数字向量（比如 1536 个小数）。神奇的地方在于——语义相近的东西，向量在空间里的距离也近。"我想退货"和"帮我处理一下"转出来的向量，真的会挨在一起。

于是"查找相似内容"就变成了一个数学问题：找离我最近的 K 个向量（KNN / 近似最近邻检索 ANN）。

传统数据库干不了这事：B+ 树索引擅长精确匹配和范围查询，但"1536 维空间里找最近邻"它算不动——暴力算的话，每条查询都要和全表几百万条向量算一遍余弦距离。

一句话：专门存向量 + 专门加速"最近邻检索"。

写入：文档 → 切块 → embedding 模型 → 向量 → 存入向量库
查询：用户问题 → 同一个模型转向量 → ANN 检索 → 返回最相似的 K 条

支撑它快的核心是专门设计的索引结构（如 HNSW 图索引、IVF 倒排、PQ 量化），用"近似"换速度——不保证 100% 找到最近的，但 99% 够用且快几个数量级。

💡 顺带说清一个词：RAG（检索增强生成）。让大模型回答问题前，先用向量库检索出相关资料塞进 prompt——这是 2025 年以来 AI 应用最常见的架构，也是向量数据库最大的应用场景。

选型直觉（书上看的，未验证）：已有 PostgreSQL → 先试 pgvector；写 demo 学习 → Chroma；真上了规模 → Milvus。

典型的 AI 应用架构是两个库一起用：

so——向量数据库解决的是"按语义找"这一种新需求，它补的不是关系型的短板，而是关系型根本没有的能力。等我真的在项目里用上（大概率是 RAG 场景），再来补一篇实操。