Vectorize

Đây là gì

Hãy tưởng tượng bạn gán cho mỗi bức ảnh, câu văn, hay bài hát một bộ tọa độ, sao cho những thứ giống nhau nằm gần nhau trên một tấm bản đồ — khi đó "tìm cho tôi thứ giống thế này" chỉ đơn giản là "tìm những điểm gần nhất." Vectorize là cơ sở dữ liệu vector (vector ) của Cloudflare, được xây dựng chính xác cho việc đó. Bạn lưu các embedding — những danh sách con số nắm bắt ý nghĩa của văn bản, hình ảnh, hoặc dữ liệu khác — rồi hỏi xin những cái giống nhất với một danh sách cho trước. Đây là nửa "truy hồi" (retrieval — tìm kiếm) của tìm kiếm ngữ nghĩa (semantic search) và RAG (Retrieval-Augmented Generation — cung cấp cho AI những sự kiện liên quan để nó có thể trích dẫn). Nó gắn trực tiếp vào một Worker cùng với Workers AI, thứ có thể tạo ra các embedding đó.

Điểm mạnh

Được thiết kế chuyên biệt cho tìm kiếm tương đồng (similarity search) trên các embedding, với truy vấn lân cận gần nhất (nearest-neighbor) nhanh.
Gắn thẳng vào Workers; không cần chạy một dịch vụ vector riêng.
Kết hợp mượt mà với Workers AI để tạo một pipeline RAG trọn vẹn trên Cloudflare.
Hỗ trợ lọc theo metadata (metadata filtering) để bạn có thể thu hẹp phạm vi kết quả.
và có mặt trên toàn cầu, mở rộng cùng ứng dụng của bạn.

Đánh đổi

Nó lưu các vector và metadata, chứ không lưu tài liệu gốc của bạn — hãy giữ những thứ đó trong D1 (một cơ sở dữ liệu ) hoặc R2 (kho lưu trữ tệp).
Bạn phải tự tạo ra các embedding (ví dụ qua Workers AI) trước khi chèn vào.
Số chiều của chỉ mục (index dimensions) và độ đo khoảng cách (distance metric) được cố định ngay khi tạo — hãy chọn cẩn thận.
Đây là một kho lưu trữ chuyên biệt, không phải một cơ sở dữ liệu đa dụng.

Khi nào nên dùng

Dùng Vectorize cho tìm kiếm ngữ nghĩa, gợi ý (recommendations), khử trùng lặp (deduplication), và bước truy hồi của RAG — bất cứ khi nào "tìm những thứ giống nhất với cái này" tốt hơn việc khớp từ khóa chính xác.

Phù hợp với vibe coding

Vectorize cho phép một xây dựng trọn vẹn một tính năng RAG mà không cần rời khỏi Cloudflare: Workers AI tạo ra các embedding, Vectorize lưu trữ và tìm kiếm chúng, còn D1 hoặc R2 giữ bản gốc. Hãy cho agent biết trước mô hình embedding sẽ dùng, vì số chiều của chỉ mục phải khớp với đầu ra của mô hình đó. Ví dụ dưới đây tạo một chỉ mục và gắn nó vào.

# wrangler.toml
[[vectorize]]
binding = "VECTORIZE"
index_name = "docs-index"

# Dimensions must match your embedding model's output
npx wrangler vectorize create docs-index --dimensions=768 --metric=cosine