跳到主要内容

向量数据库

问题​

什么是向量数据库？在 AI 应用中如何使用？

面试速答版

什么是向量数据库？ 专门存储和检索「高维 Embedding 向量」的数据库，核心能力是相似度搜索：

  • 文本/图片 经 Embedding 模型转成一个 768/1536 维向量，距离越近 = 语义越相近。
  • 检索靠 ANN（近似最近邻）索引，主流算法是 HNSW（分层图，查询快、内存高）和 IVF（倒排聚类，费内存低、初始训练费时）。
  • 距离函数：余弦相似度最常用，其次是点积、欧氏距离。

在 AI 应用中如何使用？ 最常见场景是 RAG（检索增强生成）：用户问题 → Embedding → 在向量库里找 Top K 相似文档 → 作为上下文拼进 Prompt → 交给 LLM 生成。

  • 选型：已有 PostgreSQL 首选 pgvector（一体化、能跟业务表联查）；零运维选 Pinecone；自托管、大规模选 Qdrant（Rust，性能好）或 Milvus（亿级分布式）；原型验证用 ChromaDB。
  • 混合检索：向量检索 + 关键词检索 + Rerank 重排，召回准确率明显优于纯向量。
  • 注意点：分块策略（文档切几会资件拼进上下文）、Embedding 模型费用、多租户隔离（加 metadata 过滤）。

答案​

向量数据库基础​

向量数据库专门存储和检索高维向量（Embedding），核心能力是相似度搜索：找到与查询向量最相似的向量。

主流方案对比​

方案类型特点适用
pgvectorPG 扩展集成在 PostgreSQL 中已有 PG，中等规模
Pinecone托管服务Serverless，零运维快速上手
Weaviate开源内置向量化、混合搜索自托管
Qdrant开源Rust 实现，高性能大规模
ChromaDB开源轻量简单原型开发
Milvus开源分布式，亿级超大规模

pgvector 使用​

pgvector.sql
-- 安装扩展
CREATE EXTENSION vector;

-- 创建表（1536 维向量，OpenAI text-embedding-3-small）
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  metadata JSONB,
  embedding vector(1536)
);

-- 插入
INSERT INTO documents (content, embedding)
VALUES ('React 性能优化指南', '[0.1, 0.3, -0.2, ...]');

-- 相似度搜索（余弦相似度）
SELECT content, 1 - (embedding <=> query_vector) AS similarity
FROM documents
ORDER BY embedding <=> query_vector  -- <=> 是余弦距离
LIMIT 5;

-- 创建索引加速搜索
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops)
WITH (lists = 100);

Node.js 中使用​

vector-search.ts
import { OpenAI } from 'openai';

const openai = new OpenAI();

// 1. 生成 Embedding
async function getEmbedding(text: string): Promise<number[]> {
  const response = await openai.embeddings.create({
    model: 'text-embedding-3-small',
    input: text,
  });
  return response.data[0].embedding;
}

// 2. 存入数据库
async function indexDocument(content: string) {
  const embedding = await getEmbedding(content);
  await prisma.$executeRaw`
    INSERT INTO documents (content, embedding)
    VALUES (${content}, ${embedding}::vector)
  `;
}

// 3. 相似度搜索
async function search(query: string, topK: number = 5) {
  const queryEmbedding = await getEmbedding(query);
  return prisma.$queryRaw`
    SELECT content, 1 - (embedding <=> ${queryEmbedding}::vector) AS similarity
    FROM documents
    ORDER BY embedding <=> ${queryEmbedding}::vector
    LIMIT ${topK}
  `;
}

常见面试问题​

Q1: RAG 中向量数据库的作用？​

答案：

RAG（检索增强生成）中，向量数据库存储知识库文档的 Embedding。用户提问时，先将问题转为向量，从向量数据库中检索相关文档，再将文档作为上下文发给 LLM。

Q2: 余弦相似度和欧氏距离怎么选？​

答案：

  • 余弦相似度：衡量方向相似性，适合文本搜索（推荐）
  • 欧氏距离：衡量绝对距离，适合图像搜索

Q3: pgvector 和专业向量数据库怎么选？​

答案：

  • pgvector：数据量 < 百万级，已有 PostgreSQL，不想引入新服务
  • 专业向量 DB：数据量大（千万+）、需要实时更新、高并发

相关链接​