向量数据库已成为AI应用程序堆栈的核心组件，特别是用于检索增强生成（RAG）。以下是它们实际上是什么以及它们真正有帮助的情况。
什么是向量数据库
向量数据库存储并搜索在高维空间中表示为数值向量（嵌入）的数据。核心操作不是”查找这条确切记录”（像关系数据库那样）或”查找包含此关键词的记录”（像全文搜索引擎那样），而是”查找与此查询向量最相似的记录”。向量如何创建：嵌入模型（OpenAI text-embedding-3-small、Cohere embed-v3、Google text-embedding-004）将文本（或图像、音频）转换为通常384到3072维的数值向量。语义相似的内容产生相似的向量——”automobile”和”car”在空间中产生接近的向量，即使它们不共享任何字符。相似性搜索：向量数据库使用近似最近邻（ANN）算法——HNSW（分层可导航小世界）是最常见的——来查找最接近查询向量的K个向量。”近似”很重要：精确的最近邻搜索需要将每个存储的向量与查询向量进行比较（O(n)时间），这对于大型数据集来说太慢了。ANN以小幅精度损失换取数量级的速度提升。为什么这对AI很重要：语言模型有固定的上下文窗口——你无法将整个知识库填入提示。RAG通过将知识存储为嵌入、在查询时检索最相关的块，并仅将这些块包含在提示中来解决这个问题。向量数据库是检索引擎。
主要选择
Pinecone：托管云向量数据库——无需管理基础设施；强大的托管产品但专有。Weaviate：开源，可自托管或云；内置混合搜索（向量+BM25关键词）。Qdrant：开源，基于Rust，快速；强大的过滤能力；可自托管或云。Chroma：开源，Python原生，设计用于嵌入应用程序——在原型设计和较小部署中很受欢迎。Milvus：开源，为大规模生产设计；可以处理数十亿个向量。pgvector：一个添加向量相似性搜索的PostgreSQL扩展——当你已经使用PostgreSQL且不想添加另一个基础设施组件时的实用选择。Redis Vector（以前的Redis Stack）：将向量搜索添加到Redis——如果Redis已经在你的堆栈中，则适合。pgvector的情况：对于大多数中小型RAG应用程序，pgvector是务实的选择。你在现有Postgres数据库中获得向量搜索，无需新服务，具有完整的SQL过滤，且无额外基础设施成本。专用向量数据库的情况：当你需要：十亿规模的向量存储；在极高查询量下毫秒以下的延迟；无需自托管Postgres的托管基础设施；或pgvector不暴露的高级ANN调整选项时。
向量数据库何时真正有帮助（何时没有）
明确的优势：对大型文档集合（内部wiki、客户支持知识库、法律文档）的语义搜索；基于语义相似性而非协同过滤的产品推荐；大规模内容去重（查找近似重复文档）；以及RAG系统的检索组件。在没有好处的情况下增加复杂性：如果你的数据集少于100,000条记录，全文搜索引擎（Elasticsearch、Postgres全文搜索）甚至简单的LIKE查询可能完全足够；如果你的搜索主要基于关键词而不是语义，倒排索引搜索比向量搜索更快、更精确；如果你只需要与单个文档聊天，将其切片并填入上下文比构建检索管道更简单。常见错误：因为向量数据库现代而添加它，而不是因为问题需要语义相似性搜索。语义相似性对正确的问题确实强大；对于精确查找和结构化查询，它比关键词搜索差。
