目录

一、什么是向量数据库？

二、为什么需要向量数据库？

1. 传统数据库做不到什么？

2. 向量数据库的意义

三、向量数据库核心原理

1. 数据存储

2. 相似度检索

3. ANN（近似最近邻搜索）

四、向量数据库 vs 传统数据库

五、常见开源向量数据库

六、向量数据库的应用场景

七、向量数据库的挑战与未来

---

一、什么是向量数据库？

向量数据库是一种专门用来存储、检索和管理“向量数据（Vector Data）”的数据库。

向量是一种多维的数值数组，通常用来表达图片、文本、音频、视频等非结构化数据在高维空间中的“特征表示”。

与传统数据库管理结构化表格数据不同，向量数据库的核心任务是：基于向量之间的“相似度”进行快速检索。

二、为什么需要向量数据库？

1. 传统数据库做不到什么？

传统数据库（如MySQL、PostgreSQL）擅长处理精确匹配（比如：查ID=1001的记录）。 但当你想查询：

• “和这张图片相似的图片”

• “和这段文本语义相近的句子”

• “和某个用户兴趣相似的商品”

这就需要用到向量的“相似度检索”，传统数据库在高维向量空间检索时效率极低。

2. 向量数据库的意义

• 大模型（如BERT、CLIP、LLM）生成的向量需要被有效管理与检索。

• AI搜索、推荐系统、智能问答、图像搜索 等场景都离不开向量检索。

三、向量数据库核心原理

1. 数据存储

• 每条数据（如图片、文本）会被转化为一个高维向量（例如512维、768维）。

• 向量数据库以专门的数据结构（如倒排索引、哈希表、树结构、图结构）存储这些向量。

2. 相似度检索

• 用户输入一个查询向量（query vector），数据库会返回与之“最相似”的Top K条数据。

• 常见的相似度计算方法有：

  • 余弦相似度（Cosine Similarity）

  • 欧氏距离（Euclidean Distance）

  • 点积（Inner Product）

3. ANN（近似最近邻搜索）

• 为了加速检索，向量数据库通常采用 ANN 算法，能在牺牲微小精度的前提下，实现亿级向量的毫秒级搜索。

• 典型的ANN算法包括：HNSW、IVF、PQ、LSH 等。

四、向量数据库 vs 传统数据库

维度	传统数据库	向量数据库
数据类型	结构化（表格）	非结构化（向量）
检索方式	精确匹配、范围查询	相似度匹配（Top K搜索）
典型场景	订单管理、用户信息	图像搜索、语义检索、推荐系统
数据结构	B+树、哈希表	图索引、倒排表、HNSW

五、常见开源向量数据库

数据库	特点
Milvus	社区活跃度高，支持大规模向量数据，性能优越，适合生产级部署
FAISS（Facebook AI Similarity Search）	Facebook 开源，适合本地部署和嵌入式应用，轻量但不自带分布式功能
Weaviate	内置图数据库和Schema机制，支持多模态检索（文本+图片）
Vespa	Yahoo开发，支持大规模实时向量检索，强大的排序和过滤功能

六、向量数据库的应用场景

1. AI 搜索引擎：百度、阿里、Google 都在使用向量搜索提升智能问答与搜索相关性。

2. 推荐系统：根据用户行为向量，实现“猜你喜欢”。

3. 图像/视频检索：上传一张图片，找出相似图片/视频片段。

4. 智能客服与知识库问答：将文档转为向量，实现基于语义的精准问答（RAG方案）。

5. 安全风控：异常行为检测、反欺诈模型。

七、向量数据库的挑战与未来

• 存储成本与查询性能的平衡

• 高维稀疏向量处理优化

• 与大模型（LLM）的深度融合

• 向量+结构化数据的混合查询能力（Hybrid Search）

向量数据库是 AI 时代的“数据底座”，随着多模态 AI、AIGC 的爆发，未来向量数据库将成为企业的必备基础设施。