向量数据库为什么突然火了

发布时间:2025-10-14 21:35

从十万篇文档里找出"和这句话意思相近"的几篇，关键词检索无能为力——它只会匹配字面。向量数据库走红的根源，就是补上了语义检索这一块。 一、语义检索的直觉 文本经过嵌入模型处理，变成高维空间里的一个坐标，意思相近的文本坐标距离就近。检索时把问题也转成坐标，找出距离最近的一批文档，这个过程叫相似度检索。用户搜"电脑开不了机"能命中写着"主机无法启动"的文档，靠的是几何关系上的相近，不是关键词的重合。嵌入模型的选择决定了检索质量的上限，换嵌入模型意味着全部数据重新向量化，这个成本在选型时就要考虑。这种能力在传统索引体系里没有对应物。 二、和传统索引是互补不是替代 精确查询依然是关系型数据库的主场：按订单号查单、按时间范围过滤、事务处理，这些需求向量都搭不上手。实际系统里常见的是混合用法：先用 SQL 做条件过滤缩小范围，再做向量召回排序，或者反过来。两者对硬件的要求也不同：关系库吃磁盘和事务能力，向量检索吃内存带宽，混部时资源规划要分开算。把向量数据库当成关系库的替代品来设计，是新手最常见的架构误区。 三、最典型的用法 给大模型配外挂知识库：文档切片、向量化、入库，用户提问时先检索出最相关的几段，连同问题一起交给模型生成答案。这套流程叫检索增强生成，解决的是模型不了解你私有数据的问题，也是大模型落地企业场景最主流的形态。效果调优主要在切片粒度：切太碎丢失上下文，切太粗召回不精准，几百字一块是常见起点，再按评测结果调整。 四、规模判断 数据量在几万条以内，很多场景一个内存索引就能支撑，不必急着引入独立组件。数据上到百万级、并发要求提高之后，再考虑专门的向量数据库，按需升级，架构留好扩展接口即可。评测检索质量有现成办法：准备一批问题和标准答案出处，看检索结果能不能命中，命中率就是最直接的指标。