一、概念
向量库是为“向量”（embeddings）而生的数据库：它存储由文本、图片、音频等数据通过嵌入模型转换出的高维向量，并提供基于相似度（如余弦、内积、L2 距离）的近邻检索能力。相比只做精确匹配的关键词搜索，向量库擅长找“语义相近”的内容，用于语义搜索、推荐、RAG 等任务。
二、为什么需要
传统检索只能匹配词面；向量检索能理解“意思相近”。例如查询“健康零食”时，向量搜索能返回“低卡零食、燕麦棒”等语义相近结果，而不是只含“健康”二字的文本。对接大模型时，向量库还能把与问题最相关的外部知识取回到提示词中，显著减少“编造”。
三、工作流程（简化版）
1）用嵌入模型把数据转成向量，并连同元数据一起写入向量库；
2）建立索引（常见有 HNSW、IVF、PQ 或精确 Flat）以平衡速度、内存与召回率；
3）查询时把问题也编码成向量，做 k 近邻检索（kNN/ANN），再按分数与过滤条件返回结果；
4）在搜索场景可做“混合检索”：将 BM25 关键词分数与向量相似度融合，兼顾相关性与召回。
四、关键点速览
- 指标：常看 recall@k、延迟（p95/99）、吞吐与成本。
- 距离度量：余弦与内积常用于文本；L2 常用于部分视觉嵌入。注意是否需要向量归一化。
- 索引选择：小规模可用 HNSW 或精确检索；数据量上千万时，常用 IVF/PQ 等分簇与量化技术以省内存、提速度。
- 数据与一致性：语料更新需重建/增量构建索引；嵌入模型升级后要考虑“重嵌入”与版本化。
- 生态形态：既有专用向量库（如 Milvus、Weaviate），也有在通用数据库/搜索引擎上的向量能力（如 PostgreSQL+pgvector、OpenSearch/Elastic）。
五、常见应用
语义搜索、RAG 检索增强生成、相似内容去重、推荐召回、多模态检索（图文音视频）、异常检测与度量学习等。
