向量数据库
向量数据库（Vector Database）是专门为存储、索引和检索高维向量而设计的数据库系统。它是 concepts/embedding 技术和 concepts/retrieval-augmented-generation 架构的基础设施层，使大规模语义检索成为可能。
与传统数据库的区别
传统数据库基于精确匹配或范围查询（如 SQL 的 WHERE 子句），适合结构化数据检索。向量数据库则基于相似度度量（余弦相似度、欧氏距离、内积），解决的是"找出与查询最相似的 N 个向量"这一最近邻搜索问题。两者的互补性催生了混合检索方案——同时支持元数据过滤和向量相似度排序。
ANN 搜索算法
精确的 k-NN（k-Nearest Neighbors）搜索在大规模数据集上计算代价极高（$O(n \times d)$）。近似最近邻（Approximate Nearest Neighbor, ANN）算法通过牺牲少量精度换取数量级的速度提升：
HNSW（Hierarchical Navigable Small World） 构建多层图结构，查询时从顶层开始逐层向下贪心搜索，时间复杂度约为 $O(\log n)$。它是当前综合性能最优的 ANN 索引之一，查询延迟低且召回率高，被大多数向量数据库作为默认索引。
IVF（Inverted File Index） 将向量空间划分为多个 Voronoi 单元（cluster），查询时只搜索与查询最近的几个 cell，大幅减少计算量。IVF 常与 PQ 结合使用（IVF-PQ），在亿级数据集上实现高效检索。
PQ（Product Quantization） 将高维向量拆分为多个子空间并分别量化，用短编码代替原始向量存储。它是一种有损压缩方法，可将存储空间压缩 8-32 倍，适合内存受限的大规模场景。
主流产品
- Pinecone：全托管服务，零运维，适合快速集成
- Weaviate：开源，内置向量化和混合搜索，支持 GraphQL 查询
- Milvus：开源，支持亿级数据，架构高度可扩展
- Chroma：开源轻量，面向 AI 应用开发者，API 简洁
- Qdrant：开源，Rust 实现，性能优异，支持复杂过滤
应用场景
向量数据库在 concepts/retrieval-augmented-generation 系统中用于存储文档的嵌入向量并实现语义检索。在推荐系统中，将用户和物品映射为向量后进行相似度匹配。在去重、以图搜图、语义缓存等场景中也有广泛应用。
相关页面
- concepts/embedding：向量数据库中存储的数据来源
- concepts/retrieval-augmented-generation：向量数据库在 RAG 中的核心角色
- concepts/semantic-search：基于向量数据库的语义搜索