向量数据库（Vector Database）
科普速读
- 它是什么： 向量数据库保存向量表示，并支持相似度检索。
- 适合什么场景： 大规模查找含义相近的内容片段。
- 主要边界： 它只是检索系统的一部分。
概览
知识助手可以先检索与问题相关的资料，再把内容交给生成模型。向量数据库负责保存和查找这类候选表示。
核心定义
向量数据库保存向量及相关记录，并支持近邻检索、过滤和索引管理。
背景与发展
嵌入模型让系统能按相似度搜索文档、图像和代码，因此向量数据库逐渐受到关注。一些关系型数据库和搜索引擎也提供向量功能。
工作机制（How It Works）
系统把嵌入与标识符和元数据一起保存。查询时，它比较或索引向量，按版本或权限等条件过滤，并返回候选记录。
在软件测试与开发中的应用
代码助手可以检索与自然语言问题相关的函数或文档。索引中应包含文件路径、仓库版本和访问权限。
优势与局限
向量索引能按模型学到的相似度检索候选，也支持元数据过滤。结果受嵌入模型、索引参数、数据和工作负载影响。
与相近术语对比
传统数据库擅长结构化字段查询；向量搜索是检索操作，向量数据库是保存向量并支持这类操作的系统。两者都不是完整 RAG 流程。
实施建议（Best Practices）
使用真实问题和有代表性的数据，测召回、过滤正确性、更新删除、延迟和运维成本。
常见误区（Pitfalls）
不要以为存了向量就包含文档导入、分块、权限、答案生成和来源核验。
FAQ
RAG 一定要用向量数据库吗？
不一定。关系型数据库或搜索引擎也可以提供向量搜索功能。