What is Vector Database（向量資料庫）?

Definition

向量資料庫是專為高維向量嵌入——由神經網路產生的編碼文字、圖片、音訊或其他資料語義意義的數值表示——設計的儲存系統。與透過精確匹配或關鍵詞重疊進行搜尋的傳統資料庫不同，向量資料庫執行近似最近鄰（ANN）搜尋，在高維空間中找到與查詢向量最相似的向量。這實現了語義搜尋：找到與查詢在概念上相似的文件，即使它們不共享任何精確的關鍵詞。

向量資料庫隨著檢索增強生成（RAG）的興起而成為現代 AI 堆疊的關鍵組件。在 RAG 系統中，文件被轉換為向量嵌入並儲存在向量資料庫中。當使用者提出問題時，問題也被嵌入，向量資料庫高效地找到最語義相似的文件分塊——通常在毫秒內，即使跨越數百萬個向量。

流行的向量資料庫解決方案包括專門構建的系統如 Pinecone、Weaviate、Qdrant、Milvus 和 Chroma，以及傳統資料庫的向量擴展如 PostgreSQL 的 pgvector。每個在可擴展性、成本、自託管選項和功能豐富度之間提供不同的折衷。向量資料庫的選擇顯著影響 RAG 系統效能，因為檢索品質直接決定了生成回應的品質。

Why It Matters

向量資料庫是 RAG 應用的基礎設施骨幹，RAG 代表了最常見的企業 LLM 部署模式。沒有高效的向量搜尋，RAG 系統無法以互動使用所需的速度檢索相關上下文——透過暴力方法掃描數百萬個嵌入將需要數秒而非毫秒。

除了 RAG 之外，向量資料庫還實現語義搜尋、推薦系統、重複偵測和異常偵測。對於 AI 團隊來說，選擇和配置正確的向量資料庫是影響其 AI 應用品質和成本的關鍵基礎設施決策。Qdrant 和 Milvus 等自託管選項對於需要將資料保持在本地的組織特別重要。

How It Works

向量資料庫使用近似最近鄰（ANN）演算法使高維相似度搜尋變得可行。最常見的索引方法包括 HNSW（分層可導航小世界圖），它構建多層圖連接相似的向量；IVF（倒排檔案索引），它將向量分割為叢集並只搜尋附近的叢集；以及乘積量化，它壓縮向量以減少記憶體使用和搜尋時間。

當查詢向量到達時，索引結構快速將搜尋空間從數百萬個候選縮小到幾千個，然後對這個縮小的集合進行精確距離計算。距離指標——通常是餘弦相似度、點積或歐幾里得距離——決定了相似度的定義方式。大多數向量資料庫還支援混合搜尋，將向量相似度與傳統的基於關鍵詞的過濾相結合，允許像「找到過去 30 天內的相似文件」這樣的查詢。

Example Use Case

一個客服平台將 200 萬篇知識庫文章和常見問題條目嵌入到向量資料庫中。當客戶以自然語言描述他們的問題時，系統嵌入描述並在 50ms 內檢索 5 篇最語義相似的知識庫文章。這些文章被傳遞給 LLM 生成量身定制的回應，與基於關鍵詞的搜尋相比，轉接到人工客服的工單減少了 40%。

Key Takeaways

• 向量資料庫儲存和搜尋高維嵌入以進行語義相似度檢索。
• 它們是 RAG 系統和語義搜尋應用的基礎設施。
• HNSW 和 IVF 等 ANN 演算法實現跨數百萬向量的毫秒級搜尋。
• 專門構建的（Pinecone、Qdrant）和基於擴展的（pgvector）選項都存在。
• 向量資料庫的檢索品質直接決定 RAG 回應品質。