向量数据库入门：语义搜索的实现原理

「语义搜索」如今随处可见，它的底层依赖向量数据库。本文带你理解其原理，而非止步于调 API。

从关键词到语义

传统搜索靠关键词匹配，搜「手机」找不到「智能手机」之外的相关词。语义搜索则把文本转成向量，让「意思相近」的文本在向量空间中彼此靠近。

向量与相似度

Embedding 模型把一段文本映射为一个高维向量。判断两段文本是否相似，就是计算两个向量的距离，常用余弦相似度：

function cosine(a, b) {
  const dot = a.reduce((s, v, i) => s + v * b[i], 0);
  const na = Math.sqrt(a.reduce((s, v) => s + v * v, 0));
  const nb = Math.sqrt(b.reduce((s, v) => s + v * v, 0));
  return dot / (na * nb); // 越接近 1 越相似
}

向量数据库做了什么

普通数据库擅长「精确匹配」和「范围查询」，却不擅长「找最近邻」。向量数据库专门优化近似最近邻搜索（ANN）：

• 用 HNSW 等索引结构，把暴力搜索的 O(n) 降到近似 O(log n)；
• 支持亿级向量上的毫秒级检索；
• 存储向量 + 元数据，支持过滤与混合查询。

常见选型

• 专用向量库：Pinecone、Weaviate、Milvus、Qdrant；
• 扩展的数据库：PostgreSQL 的 pgvector、Redis 的向量模块；
• 轻量本地方案：内存库如 Faiss、HNSWLib，适合原型。

何时用向量库

当数据量大（百万级）且需要低延迟相似搜索时，专用向量库才值得引入。小规模场景，内存方案或 pgvector 足够。

结语

向量数据库是 AI 应用的基础设施。理解「向量化 + 相似度 + 索引」这三件事，你就能为不同的 AI 应用做出正确的存储选型。