Vector Databases

是什么

向量数据库存储高维向量（embedding），这些向量表征文本、图像或其他数据的含义，并能找出与查询向量最相似的条目。它不是匹配精确关键词，而是用余弦相似度等距离度量按语义接近程度对结果排序。它们为 AI 应用驱动语义搜索、推荐和检索增强生成（RAG）。

优势

通过 ANN 索引，在数百万个 embedding 上进行快速相似度搜索。
实现理解含义而非仅匹配关键词的语义搜索和 RAG。
选择众多：pgvector、Pinecone、Qdrant、Weaviate、Milvus、Chroma。
元数据过滤把语义搜索与结构化约束结合起来。
借助近似最近邻算法，可扩展到大型语料库。

权衡取舍

结果是近似的；调优需要在召回率和速度之间权衡。
embedding 质量完全取决于生成这些向量的模型。
如果更换模型，就需要对整个语料库重新做 embedding。
存储和内存随维度数量和数据集规模而增长。

何时使用

将向量数据库用于语义搜索、文档问答、推荐、去重，以及把相关上下文喂给 LLM 的 RAG 流水线。对于适中的规模，pgvector 扩展让你把向量与关系型数据一起保存在 PostgreSQL 中。

与 vibe coding 的契合度

指挥 AI 时，要明确三件事：你使用哪个 embedding 模型（好让向量维度与索引匹配）、距离度量（文本通常用余弦），以及你在 embedding 之前如何对源文档分块。要求 AI 在每个向量旁存储有用的元数据，以便你做过滤（例如按 user_id 或 doc_type），并让 embedding 代码和查询代码使用同一个模型。一个好建议：让 AI 构建一个 RAG 检索步骤，返回 top-k 个分块及其来源 id，这样答案才可追溯，你也能验证模型实际使用了哪些上下文。

-- 带 pgvector 扩展的 PostgreSQL
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE documents (
  id        BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
  content   TEXT NOT NULL,
  doc_type  TEXT,
  embedding VECTOR(1536)            -- 必须与你的 embedding 模型匹配
);

-- 用于余弦距离的近似最近邻索引
CREATE INDEX ON documents
  USING hnsw (embedding vector_cosine_ops);

-- 与查询 embedding（$1）最相似的前 5 个分块
SELECT id, content
FROM documents
WHERE doc_type = 'manual'
ORDER BY embedding <=> $1
LIMIT 5;