向量搜索：让搜索引擎理解你的意图
向量搜索是一种基于向量空间模型的信息检索技术，将文本、图像等内容转化为高维向量，通过计算向量相似度找到语义相近的结果。它是推荐系统、知识图谱、大模型检索增强生成（RAG）等应用的核心技术。
一句话解释
向量搜索是一种信息检索技术，它把文本、图片、音频等数据转换成数学上的向量（一组数字），然后通过计算向量之间的距离或夹角，来找到与用户查询语义最相似的结果。简单说，传统的搜索靠“字面匹配”，向量搜索靠“意思匹配”。
为什么会被关注
随着大语言模型（如ChatGPT）的普及，检索增强生成（RAG）技术成为热点，而RAG的核心就是向量搜索——它能把海量文档快速编码并支持语义级检索，让模型回答更准确、知识更实时。
传统关键词搜索无法处理同义词、模糊表达或跨语言搜索，向量搜索通过嵌入模型理解语义，让搜索返回更相关的结果。无论是淘宝的“以图搜图”还是Spotify的歌曲推荐，背后都依赖向量搜索。
数据量的爆炸增长（图片、视频、长文本）要求更高效的检索方式，向量搜索结合近似最近邻算法（ANN），能在毫秒级别从亿级数据中找到匹配项，满足实时性需求。
核心逻辑
向量搜索的核心流程分为两步：一是将数据（如一段文字、一张图片）通过嵌入模型（Embedding）转化为向量，这是一个由几百到上千个浮点数组成的列表；二是在向量空间中执行相似性搜索，通常使用余弦相似度或欧氏距离来衡量两个向量的接近程度。
为了应对海量数据，全量暴力计算效率太低，所以会使用近似最近邻（ANN）算法，如乘积量化（PQ）或分层可导航小世界图（HNSW）。这些算法通过建立索引结构，在召回率与速度之间取得平衡，实现亚秒级响应。
向量搜索的精度取决于嵌入模型的质量和向量维度。例如，使用OpenAI的text-embedding-ada-002模型得到的1536维向量，能较好捕获语义；但维度越高，计算和存储成本也越大，需要权衡。
常见场景
在企业级RAG应用中，用户提问后，系统先将问题向量化，再从向量数据库中召回最相关的知识段落，最后交由大模型生成答案。这大幅降低了幻觉率，是当前AI知识库产品的标配。
电商平台的相似商品推荐：用户浏览一件衣服，系统抽取该商品的图片和描述向量，通过向量搜索找出“风格类似”“颜色相近”的其他商品，即使它们不含相同关键词。
图像与视频检索：输入一张照片，系统将其向量化后匹配到数据库中的相似人脸、地标或物体；基于向量的搜索引擎（如Pinterest的Lens）可理解视觉内容，而非仅依赖标签。
异常检测与去重：在网络安全领域，攻击流量特征可转化为向量，利用距离度量找出离群点；在内容审核中，用向量相似度过滤重复或变种侵权内容。
容易混淆的点
“向量搜索”与“全文搜索”是不同路径：全文搜索依赖倒排索引和关键词分词，无法处理语义相似但字面不同的内容；而向量搜索本质是数学计算，不关心原始词汇，两者常结合使用（混合搜索）。
混淆“向量数据库”与“向量索引”：向量数据库（如Milvus、Weaviate）是管理向量数据的存储与搜索系统，包含索引、分片、持久化等能力；向量索引（如HNSW、IVF）只是算法层面的加速结构，可嵌入在传统数据库或向量数据库中。
并非所有嵌入模型都适用：用过时的Word2Vec进行语义搜索效果差，需使用现代上下文感知的模型（如BERT、Sentence-BERT）；同时，不同场景下维度选择策略不同（高维精度高，低维速度快）。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词Embedding（嵌入）是将离散的非结构化数据（如文字、图片）映射为连续稠密向量的技术。这些向量能捕捉数据间的语义关系，让AI能进行语义相似度计算、推荐、分类等任务，是连接人类语言与机器计算的桥梁。
RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
向量检索是一种基于深度学习的技术，它将文本、图像等数据转换为高维空间中的向量（一组数字），并通过计算向量间的相似度来寻找最相关的内容。它突破了传统关键词匹配的局限，实现了基于语义的智能搜索与推荐。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
语义搜索是一种利用自然语言处理和知识图谱技术理解查询意图的搜索方式，不再依赖简单关键词匹配，能返回更精准、更符合上下文的结果。它已广泛应用于主流搜索引擎、智能助手和垂直领域问答系统。