向量数据库会因大模型热潮变成"摆设"吗？对话Zilliz创始人星爵

Zilliz星爵深度对话：向量数据库在大模型时代会被边缘化吗？

NVIDIA GTC 2024 大会成为向量数据库行业的重要转折点。在这场科技盛会上，黄仁勋正式宣布与 Milvus 项目达成深度合作，Zilliz 公司团队获得三次登台演讲的机会；无独有偶，大会结束后短短三天，OpenAI 就宣布与 Zilliz 建立合作关系，在其发布的 ChatGPT-retrieval-plugin 产品中集成 Milvus 和 Zilliz Cloud 服务。

向量数据库的机遇与挑战

回溯2024年，大模型技术高速发展的同时也暴露出明显短板：频发的"幻觉"现象和专业领域知识的匮乏，成为阻碍大模型实际应用的主要障碍。作为大模型的"外部记忆模块"，向量数据库通过本地知识的语义检索功能，完美填补了大模型落地的关键缺口。

在这一技术演进过程中，RAG（检索增强生成）架构迅速崛起，成为连接大模型与向量数据库的理想范式。它不仅延续了向量数据库在电商推荐、自动驾驶等领域的成功经验，更开辟了大模型时代的全新应用场景。

然而时移世易，2025年Zilliz CEO星爵在接受专访时却作出惊人论断：传统RAG模式已走到尽头。他认为随着推理模型技术的突破，用户对大模型的知识检索需求已经从"一次性问答"升级为"系统性研究"——需要模型具备问题拆解、多轮检索、逐步完善的能力。

基于这一洞察，Zilliz在2025年2月推出基于DeepResearch理念的开源项目DeepSearcher。仅用一个月时间，该项目就在GitHub上斩获近5000个star，市场热度可见一斑。

从Oracle到Zilliz的创业之路

在创立Zilliz之前，星爵有着传奇的职业经历。2009-2015年间，他作为核心成员参与Oracle云数据库产品研发，成为该项目最早的五位工程师之一。这段经历不仅让他接触到全球顶尖的数据库系统，更坚定了他"云计算代表未来"的技术信仰。

Oracle期间的一段插曲尤其令人难忘。入职第一天，星爵在电梯里邂逅了一位推着自行车、带着浓重法国口音的工程师。此后两年多，两人同在Oracle美国总部400号楼7层工作，直到2012年这位工程师离职创业。这位名叫Thierry Cruanes的同事，后来创办的公司正是大名鼎鼎的Snowflake。

"亲眼见证奇迹的发生具有强大的感染力，"星爵回忆道，"它会激发你去突破现状、勇于创新，打造属于自己的传奇。"

怀揣这样的信念，星爵于2017年创立Zilliz。在那个大模型尚未爆发的年代，他就前瞻性地选择向量数据库作为创业方向。"世界上80%的数据都是非结构化的，AI技术让我们有机会高效处理这些数据。这个机遇让我无比兴奋。"从早期融资屡屡碰壁，到后来在Forrester Wave™向量数据库报告中荣膺领导者象限最高分，他将这段历程称为"理想主义工程师的伟大冒险"。

然而Zilliz的发展始终伴随质疑：开源模式的价值？向量数据库的必要性？特别是在大模型能力突飞猛进的当下，向量数据库是否会被逐步边缘化？在探讨公司商业化进程的同时，星爵也对这些问题给出了回应。以下是经过整理的对话精华。

技术演进与未来展望

Q：随着DeepSeek等推理大模型的出现，传统RAG应用是否会沦为"鸡肋"？向量数据库的价值是否在弱化？

星爵：短期内，基于公开数据的RAG应用确实会受到冲击。但对企业私有数据与大模型的结合场景，向量数据库仍是不可替代的基础设施。中期来看，推理模型反而会加速AI应用普及，催生更多非结构化数据处理需求，实际上扩大了向量数据库的市场空间。

从更长的时间维度看，计算与存储的协同始终是计算机系统的基本范式。就像当年冯·诺依曼架构提出时，也一度有人质疑存储设备的必要性。但历史证明，算力提升与存储需求增长始终相辅相成。预计未来五年产生的非结构化数据将超过历史总和，这更凸显了存算协同架构的重要性。

Q：能介绍一下DeepSearcher开源项目的背景吗？

星爵：OpenAI推出的DeepResearch工具虽然强大，但每月200美元的订阅费门槛较高，且在处理企业本地数据时存在效率瓶颈。我们开发的DeepSearcher通过本地部署实现了类似功能，将大模型、高级搜索和研究能力整合为一，特别优化了对本地数据的处理效率。项目发布一个月内就在GitHub收获近5000星，市场反响超出预期。

Q：为何如此看好DeepResearch类产品？

星爵：我们认为Agentic RAG终将完全取代传统RAG模式。传统方案只能进行单次检索，适合解决简单问题。而Agentic RAG能通过思维链拆分复杂问题，针对每个子任务进行精准检索，实现多轮信息获取，显著降低大模型的幻觉概率。

Q：在AI Agent时代，向量数据库将扮演什么角色？

星爵：AI Agent需要处理复合型任务，这就要求可靠的记忆系统来存储中间状态。向量数据库能高效管理非结构化数据，为Agent提供长期记忆和知识检索能力。目前Agent技术面临的主要挑战在应用场景发掘方面，随着这些问题的解决，向量数据库作为核心基础设施的价值将进一步凸显。

（对话持续深入探讨开源策略、商业化进程、技术挑战等话题，完整内容详见原文）