传统数据库和向量数据库：AI为啥需要向量数据库？

适合小白看懂：大白话讲清两种数据库，搞懂 AI 知识库背后是怎么找相似内容的

前言

现在很多 AI 聊天机器人，能读取我们自己上传的文档、笔记，回答文档里的内容，这个功能背后就用到了向量数据库。

大家会有疑问：我平时用的数据库，比如 MySQL，存文字文件不行吗？
答案：可以存，但是看不懂语义。

举个例子：
文档 A：小猫在雪地上跑
文档 B：小白猫踩在白雪上飞快往前冲

用普通数据库搜索关键词 “小猫雪地跑”。
文档 A 能搜到；文档 B 没有 “小猫、跑” 这些一模一样的词，就搜不到。但两句话表达的意思几乎一样。

普通数据库只会比对文字一不一样，不会懂话的含义。向量数据库就是专门解决这个 “找意思相近内容” 的工具。

一、普通传统数据库能干啥、不能干啥

我们平时业务用的数据库（MySQL、MongoDB 这些）就是传统数据库。

✅擅长：
存表格类信息：账号、密码、订单、年龄。
按文字、数字精确查找。比如查某个用户的手机号，查某条订单。匹配字符是否一模一样。

❌不擅长：
看不懂一句话是什么意思。只会字面匹配。
图片、语音、大段文章，没法直接对比 “两个内容像不像”。

小补充：有些数据库装插件也能存向量，但量大之后速度会很慢，不是专门干这个的。

二、什么是向量数据库？

什么是向量？

简单说：把文字、图片、声音、视频，交给一个 AI 模型，转换成一串数字。这串数字就叫向量。

比如一句话，变成一堆数字：[0.12, -0.34, 0.56……]，这串数字也可以理解为“数字指纹”。
每一组数字代表这份内容的特点。
👉意思越接近的两段文字，得到的这串数字，在虚拟的数字空间里就靠得越近。

向量数据库，就是专门存这一串串数字的数据库。

✅向量数据库做的事：

1. 保存一大堆数字向量，同时保存原来的文字、图片

2. 你来一段新的问题，也转成数字

3. 在数字空间里，快速找出离它最近的几组数字，把对应的原文拿出来

这就是 AI 知识库（RAG）检索的底层逻辑。

三、向量数据库完整工作流程（大白话版）

分为两步：存资料进去、用户提问查询。

第一步：把你的文档存进向量库

1. 把长文章切一小段一小段（一大段文字效果不好）

2. AI 模型把每一小段文字，变成一串数字（向量）

3. 数字 + 原本的文字，一起存入向量数据库

4. 数据库做好内部加速结构，方便之后快速查找

重点提醒：存文档、用户提问，必须用同一个 AI 模型转数字。不然两套数字空间不一样，找出来的内容会乱七八糟。

第二步：用户提问，AI 找资料

1. 用户输入问题

2. 同样的 AI 模型，把问题也转成一串数字

3. 在向量库里面，计算：问题的这串数字，和库里存的所有数字之间的远近关系

4. 挑出距离最近的几条，拿出它们原本的文字

5. 把找到的文字连同问题一起交给大模型，AI 结合资料给出回答

四、怎么判断两组数字（向量）离得近？两种常用办法

想象有一个看不见的数字空间，每一串数字就是空间里面的一个点。
两个点离得越近，代表两段文字含义越像。有两种计算远近的方式：欧式距离、余弦相似度。

1. 欧式距离（图片检索用得多）

就是算两点之间直线有多远。
两个 $n$ 维向量：

$$\mathbf{a}=(a_1,a_2,\dots ,a_n)$$

$$\mathbf{b}=(b_1,b_2,\dots ,b_n)$$

$$d(\mathbf{a},\mathbf{b})=\sqrt{\sum _{i=1}^n(a_i-b_i{)}^2}$$

• 数值越小，两点挨得越近，内容越相似

• 数值越大，隔得越远，内容不相关

缺点：会受数字本身大小干扰。

举例：两句话意思完全一样，生成出来的数字整体大小不一样，就算方向一样，算出来直线距离也会变得很大，会误判两者不相似。

2. 余弦相似度（文本 AI 最常用）

它不看两点直线距离，看的是两个点从原点出发，指向的方向一不一样。

只关心方向，不在乎数字整体大小。

• 数值越接近 1：方向几乎一样，内容高度相似

• 数值等于 0：完全没关系

• 数值接近‑1：意思相反

举个简单二维例子：
点 1：[2,2]，点 2：[1,1]
两个点指向完全同一个方向，只是数字大小不一样。
余弦相似度判定：两者非常相似。
欧式距离算出来却距离很远。

正好对应文本场景：两段意思一样的文字，生成的数字整体大小可能不一样，但是方向相同。
所以做文档知识库，优先选余弦相似度。

小坑：很多工具返回 “余弦距离”，不是余弦相似度。余弦距离 = 1‑余弦相似度，这个时候数字越小代表越像。

五、为什么不能直接全部挨个算一遍？为啥要向量数据库？

假设库里存 100 万段文档，每一次提问，如果拿问题数字，和 100 万条全部挨个算一遍远近。
计算量爆炸，查询会非常慢，网页、机器人根本没法用。

向量数据库会做特殊的加速索引，不用挨个比对全部数据，只挑选一小部分候选做计算，牺牲一点点准确率，换来毫秒级快速查询。

六、简单总结

1. 传统数据库比对文字字面是否相同，不懂语义；向量数据库把内容变成数字，靠数字空间远近判断语义是否相似，是 AI 知识库的基础。

2. AI 知识库流程：文章切碎→转为数字存入库；用户提问转数字→计算远近→取出原文交给大模型。

3. 欧式距离：算两点直线距离；余弦相似度：看指向方向。

4. 海量数据不能暴力全部计算，向量数据库靠特殊索引实现快速搜索。