什么是向量数据库?
向量数据库(Vector Database)是面向向量表示的保存、索引和相似性检索而设计的数据库或数据库能力。文本、图片和音频等内容可以通过模型转换成向量,再根据距离或相似度寻找接近的对象。
例如用户用一句话描述问题,系统查找意思相近的文档片段。AWS 的向量数据库介绍说明了这种存储与检索方式。具备向量能力的关系数据库或搜索引擎,也可以承担相关任务,并非所有场景都必须使用独立产品。
向量与原始内容是什么关系?
向量通常是一组数字,用来表示模型从内容中提取的特征。它不是把原文逐字加密后的结果,也通常不能直接作为完整原文替代。
向量的含义取决于生成模型。不同模型产生的表示不一定处于可直接比较的空间,维度相同也不代表兼容。因此,需要记录使用了什么模型和版本。
检索系统常同时保留内容标识、原文位置和元数据,让找到向量后能够回到具体资料,并执行时间、类别与权限筛选。
相似性搜索怎样工作?
系统将查询转换为兼容向量,再按选定度量寻找接近的结果。常见度量包括余弦相似度、内积和欧氏距离,适用方式需要与模型训练和向量处理保持一致。
精确遍历可以比较所有候选,但数据量较大时成本较高。近似最近邻索引通过结构化组织候选,减少比较范围,以部分召回取舍换取速度和资源效率。
“近似”不意味着结果随机,而是系统未必保证返回全局完全精确的最近对象。索引类型与参数会影响召回、延迟、内存和更新成本。
一个企业文档检索例子
以下是说明性例子。
员工搜索“出差坐高铁可以报多少”,而文档使用“差旅交通费用标准”。向量表示有机会识别两者语义相关,即使字面没有完全一致。
但某份旧制度也可能语义相近,另一份资料又只适用于海外员工。系统还需要结合版本、适用对象和权限过滤。相似度高并不代表当前答案正确。
对于合同编号、产品型号等精确标识,关键词或结构化条件可能更直接。混合检索可以让语义匹配与精确匹配共同发挥作用。
向量数据库与传统数据库、搜索引擎有何区别?
传统关系查询擅长按明确字段、条件与关联取得结果,关键词检索擅长词项匹配,向量检索更关注学习得到的表示空间中的接近程度。
三者可以互补。例如先限定文档部门与有效日期,再进行语义检索,最后结合关键词与重排。向量数据库不是所有数据查询的替代品。
RAG 则是检索与生成的组合流程。向量数据库可以作为检索组件,但仅部署数据库并不等于完成 RAG。
选择时应关注哪些能力?
除了相似查询速度,还应看元数据过滤、更新与删除、数据一致性、备份恢复和权限管理。若过滤发生在候选生成之后,可能导致有效结果不足,需要理解具体行为。
模型变化时也可能需要重新生成部分或全部向量,这会带来计算与索引维护成本。新增内容、旧文档删除和权限调整,都应传递到检索范围,避免继续返回失效资料。
Google 关于向量检索的概念资料可作为进一步阅读,具体容量与性能应按产品和负载核实。
哪些场景适合,哪些不适合?
语义检索、相似图片查找、推荐候选和知识检索,是常见用途。精确余额、交易状态或复杂报表计算,通常仍应依赖明确数据查询,而不是用相似性猜测。
最近的向量一定是最适合的答案吗?
不一定。距离只表示当前模型与度量下的接近程度,文档是否有效、是否覆盖问题、是否有权限,仍需另外判断。
检索还可能受索引参数与候选数量影响。为了速度减少搜索范围,可能遗漏真正相关对象;返回更多候选,又会增加后续处理。需要用真实问题寻找合适取舍。
过滤条件也应结合检索过程理解。先按权限缩小范围,与先检索再去掉无权结果,可能产生不同覆盖与效率,具体取决于实现。
因此,向量数据库应被放在完整应用链路中评价。数据更新与删除是否及时、元数据是否准确、查询与文档模型是否兼容,都可能比一次相似查询的演示速度更重要。相似性是有用信号,却不是业务正确性的完整证明。
向量规模还受切片数量影响。同一份长文被划分成许多片段后,索引对象可能远多于文档数。容量评估应以实际表示与元数据为基础,不能只计算原始文件数量。
袋鼠云可以提供哪些相关能力?
袋鼠云 AIWorks提供知识库、语义检索与模型应用相关能力,可把向量检索作为企业知识应用的一部分。具体存储与索引选择应结合资料规模、更新和权限要求确定。

