向量检索：让AI“理解”你的搜索意图
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。
一句话解释
向量检索是一种让计算机通过比较数字序列（向量）的相似度，来找到语义上相近内容的技术，它让搜索从“字面匹配”升级为“意思理解”。
为什么会被关注
随着大语言模型和生成式AI的爆发，如何为模型快速、准确地从海量数据中查找相关信息变得至关重要。传统关键词检索无法理解语义，而向量检索能精准捕捉用户查询的深层意图，成为构建智能问答、知识库和个性化推荐系统的关键技术基石。
特别是在RAG（检索增强生成）架构中，向量检索负责为LLM实时提供精准的外部知识，有效缓解模型“幻觉”问题，是其落地应用不可或缺的一环。
核心逻辑
其核心分为两步：“编码”与“检索”。首先，利用嵌入模型将文本、图片等所有数据转换为高维空间中的向量（即一组有意义的数字），语义相近的内容其向量在空间中的位置也接近。
当用户发起查询时，系统同样将查询语句转换为向量，然后在向量数据库中快速计算它与所有存储向量的距离（如余弦相似度），找出距离最近、即语义最相似的几个向量，并返回它们对应的原始内容（如文档段落）。
常见场景
1. 智能客服与问答：用户用自然语言提问，系统从知识库中检索语义最相关的答案片段。2. 内容推荐：根据你读过的文章或看过的商品，推荐意思相近的其他内容。3. 跨模态搜索：用文字搜索图片或视频，或反之。4. 代码检索：根据功能描述查找相关的代码片段。5. 企业知识库：员工可像对话一样查询内部文档、报告和邮件。
容易混淆的点
向量检索不等于全文检索。全文检索依赖关键词的精确匹配或倒排索引，搜索“苹果”可能找不到“iPhone”；而向量检索基于语义，能理解“苹果”和“iPhone”之间的关联。
它也与传统的数据库查询不同。传统查询基于严格的结构化字段和规则，而向量检索处理的是非结构化数据（如一段话），且结果没有绝对的“对错”，只有相似度“高低”的排序。
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。
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。
大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。