词条详情

一、定义

向量数据库（Vector Database）是一类专门用于存储、索引与检索高维向量数据的数据库系统。它的核心能力是「相似度检索」：给定一个查询向量，在数十亿条向量中快速找出与之距离最近的若干条记录。与依赖精确匹配的传统关系型数据库不同，向量数据库处理的是语义上的"相近"，因此成为推荐系统、图像检索与检索增强生成（RAG）等场景的基础设施。

在实际工程中，向量通常由深度模型编码得到。例如一段文本经过嵌入模型后会被映射为一个 768 维或 1536 维的浮点数组，语义相近的文本在向量空间中彼此靠近。向量数据库要做的，就是把这层几何关系变成可被高并发查询的工程能力。

向量数据库解决的不是"存得下"，而是"找得快"——当数据规模超过单机内存、当召回率与延迟需要同时被约束时，近似最近邻索引就是必需的工程手段。

二、核心索引结构

向量检索的性能几乎完全取决于索引结构。常见的近似最近邻（ANN）索引可分为四类，它们在召回率、内存占用与构建耗时之间存在明显的取舍关系。

2.1 HNSW（分层可导航小世界图）

HNSW 通过构建多层跳跃表式的图结构，让查询从稀疏的上层图快速逼近目标区域，再在稠密的下层图中做精细搜索。它的召回率在同类算法中表现最好，查询延迟稳定在毫秒级，代价是内存占用约为原始向量的 1.5–2 倍，且构建索引耗时较长。目前是绝大多数生产环境的默认选择。

2.2 IVF-PQ（倒排 + 乘积量化）

IVF 先将向量空间聚类成若干桶，查询时只扫描距离最近的几个桶；PQ 则把高维向量切分为多个子段分别量化，用码本近似表示原始向量。二者结合可把内存占用压缩到原来的十分之一以内，适合超大规模且对召回率容忍度更高的场景。

三、与 RAG 的关系

检索增强生成（RAG）把外部知识库接入大模型：用户提问后，系统先在向量数据库中检索出最相关的若干文档片段，再把这些片段作为上下文交给模型生成回答。这种方式显著降低了模型幻觉，也让知识更新不必重新训练模型。

在 RAG 链路中，向量数据库承担的是"召回"环节，其质量直接决定最终回答的上限。实践中常见的优化包括：分块策略（按语义段落而非固定字数切分）、混合检索（向量 + 关键词）、重排序（用交叉编码器对初筛结果二次打分）。

如果召回阶段就漏掉了正确文档，再强的生成模型也无法补救。RAG 的优化重心应当放在检索质量上，而不是不断更换更大的模型。

四、典型应用场景

• · 语义搜索：用户以自然语言描述需求，系统返回语义相近的文档、商品或视频，而非字面匹配结果。
• · 推荐系统：把用户与物品分别编码为向量，通过近邻检索生成候选集，再交给排序模型精排。
• · 以图搜图 / 以文搜图：跨模态向量对齐后，可用文字直接检索图片或视频帧。
• · 智能客服与知识问答：在历史工单与产品文档中检索最相关的解答片段。
• · 去重与聚类：通过相似度阈值识别重复内容，或对海量文本做主题聚合。

五、局限与注意事项

向量检索并非万能。它依赖嵌入模型的质量，模型在训练语料之外的领域迁移能力可能明显下降；近似索引会牺牲一部分召回率，需要在业务上做阈值调优；向量本身缺乏可解释性，检索结果往往需要额外的人工抽检。此外，向量的写入成本高于标量数据，频繁更新会显著影响索引性能，通常需要采用增量索引与定期重建相结合的策略。

1. [1]Malkov Y, Yashunin D. Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs. IEEE TPAMI, 2020, 42(4): 824–836.
2. [2]Jégou H, Douze M, Schmid C. Product Quantization for Nearest Neighbor Search. IEEE TPAMI, 2011, 33(1): 117–128.
3. [3]Subramanya S J, et al. DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node. NeurIPS, 2019.
4. [4]Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020.
5. [5]中国信息通信研究院.《数据库发展研究报告（2026 年）》. 北京: 中国信通院, 2026.
6. [6]Nexus 知识库编委会.《向量索引选型实践指南》. 内部技术文档, 2026-07.