什么是向量数据库

它解决什么

普通数据库按字段精确匹配。「退款政策」搜不到写着「退货规则」的段落。

向量数据库把文本存成向量，查询时按语义距离找最近的几条，意思相近就能命中。

在 RAG 里的位置

文档 → 切块 → 向量化 → 存入向量库
问题 → 向量化 → 向量库检索 top-k → 拼进提示

它只负责「找」，不负责「答」。答得好不好，还取决于切块、提示和模型。

和普通数据库的区别

对比	普通数据库	向量数据库
查询方式	精确匹配、范围	相似度最近邻
存什么	结构化字段	向量 + 元数据
结果	确定	近似（ANN 索引）

多数向量库也支持元数据过滤，比如「只搜 2025 年之后的文档」。

三个常见误解

• 「必须用专门的向量数据库」：数据量小时，内存里算余弦相似度就够；很多传统数据库也加了向量索引。
• 「换了向量库，RAG 就准了」：检索不准通常是切块和 embedding 模型的问题。
• 「向量检索结果一定相关」：它是按距离排序，不理解你的业务规则，仍要靠重排与阈值过滤。

选型看什么

1. 数据量级与增长速度。
2. 是否需要元数据过滤与权限隔离。
3. 是否要自建、能否接受托管服务。
4. 更新频率：增量写入与重建索引的成本。

延伸阅读

• RAG 的完整流程：什么是 RAG
• 向量是怎么来的：什么是 Embedding