向量数据库：让AI“理解”非结构化数据的关键底座
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。
一句话解释
向量数据库是一种专门设计用来存储、索引和快速检索“向量”这种数据格式的数据库。你可以把它想象成一个为AI量身定做的、擅长处理“感觉”和“相似度”的智能仓库。
为什么会被关注
随着大模型和生成式AI的爆发，处理海量文本、图像等非结构化数据成为刚需。传统数据库基于精确匹配，无法理解内容语义。向量数据库通过将数据转化为向量并计算相似度，完美解决了“按意思查找”的问题，成为构建RAG、智能推荐等AI应用不可或缺的底层组件，因此站上了风口。
核心逻辑
其核心是“向量化”和“相似度计算”。首先，利用嵌入模型将任何数据（如一段话）转化为一个高维向量（一串数字），这个向量代表了数据的特征。然后，数据库使用近似最近邻等算法，为所有向量建立高效索引。当查询时，将查询内容也转化为向量，并快速找到数据库中与它“距离”最近（即最相似）的向量，从而返回最相关的结果。
常见场景
1. 检索增强生成：为LLM提供精准、实时的外部知识库，减少幻觉。
2. 语义搜索：在文档、代码库中，用自然语言查找相关段落，超越关键词匹配。
3. 推荐系统：根据用户和物品的向量表征，推荐相似内容或用户。
4. 以图搜图/跨模态检索：将图像、音频编码为向量，实现跨媒体类型的相似内容查找。
5. 异常检测：通过比对向量与正常模式的偏差，识别欺诈或异常行为。
容易混淆的点
与传统数据库对比：传统数据库（如MySQL）擅长处理结构化的表格数据，进行精确的增删改查。向量数据库专攻非结构化数据的“模糊”相似性搜索，两者是互补关系，而非替代。
与向量搜索引擎对比：两者技术核心相似，但“数据库”更强调数据的持久化存储、事务管理和生态系统集成；“搜索引擎”可能更侧重纯粹的检索速度和相关性排序。在实践中，界限已逐渐模糊。
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。
大模型是指通过在海量数据上训练、拥有庞大参数规模的深度学习模型，其核心能力在于理解和生成人类语言及各类内容，是当前生成式AI（如ChatGPT）的技术基石。