向量数据库入门
内容提要
向南方旅行时，搜索巴塔哥尼亚天气夹克衫可能出现特定品牌的搜索结果。向量数据库可以表示复杂数据为机器可理解的向量，并通过数学运算进行比较。嵌入是数据点的向量表示，捕捉其语义含义。降维技术可以缓解高维空间的计算复杂性。距离度量是确定向量空间中两点距离的数学函数。K最近邻和近似最近邻算法可实现快速准确的相似性搜索。向量数据库和向量存储是存储和检索向量数据的数据库类型。AI和机器学习推动技术边界，需要特定数据库满足需求。
延伸解读
从关键词到语义：向量数据库解决什么搜索难题
文章用“Patagonia”搜索的例子说明传统数据库的局限：它只能匹配字面，无法区分品牌与地名，也难以处理图像搜索。向量数据库将文本、图像等数据转为向量，通过数学运算比较语义相似性，从而支持“以图搜图”或按含义检索。这并非取代传统数据库，而是为AI场景补充了处理非结构化数据的能力。
高维向量的代价：维度越高不一定越好
文章指出，用更多维度描述对象能保留细节，但会引发“维度灾难”：数据点间距离变得不再有意义，搜索计算复杂度急剧上升。因此需要降维技术，如特征选择、哈希和主成分分析（PCA）。这提醒读者，设计向量数据库时需在描述精度与检索效率之间权衡，而非盲目追求高维。
距离度量与索引：相似性搜索的两大关键
相似性搜索依赖距离度量（如欧几里得、曼哈顿、余弦距离）和算法（KNN、ANN）。文章强调，不同度量适用于不同数据：余弦距离适合文本，曼哈顿距离适合图像检索。同时，索引（如HNSW、IVF）能显著加速搜索。这意味着实际应用中，选择匹配数据特性的度量和索引策略，比单纯堆硬件更重要。
向量数据库与向量存储：如何选择
文章区分了两种类型：向量数据库（如Pinecone、Quadrant）专为向量数据设计；向量存储（如ClickHouse、PostgreSQL+pgvector）在传统数据库上增加向量能力。选择取决于需求：若以向量搜索为核心，专用数据库更合适；若已有传统数据库并希望渐进式集成AI功能，向量存储可能更经济。这为技术选型提供了务实视角。
Q&A
向量数据库是什么？它和传统数据库有什么区别？
向量数据库是专门设计用于存储、索引和查询向量数据的数据库，例如Pinecone和Quadrant。传统数据库通常存储结构化数据，而向量数据库将复杂数据（如文本、图像、声音）表示为向量，以便进行数学运算和相似性比较。
什么是嵌入（Embeddings）？它在向量数据库中起什么作用？
嵌入是数据点的向量表示，能够捕捉其语义含义。在向量数据库中，嵌入使得机器可以比较不同数据（如文本和图像）的语义相似性，从而支持语义搜索。例如，机器可以判断一张冬季夹克的图片与“冬季夹克”这个短语描述相符。
高维数据在向量数据库中有什么挑战？如何解决？
高维数据具有大量属性，虽然可以存储更多细节，但管理和搜索复杂性增加，导致“维度灾难”，即距离变得不再有意义，计算复杂度变得不合理。为了解决这个问题，可以使用降维技术，如特征选择、哈希和主成分分析（PCA）。
向量数据库中常用的距离度量有哪些？它们分别适用于什么场景？
常用的距离度量包括：欧几里得距离（对向量大小敏感）、曼哈顿距离（适用于图像检索和金融分析）、余弦距离（适用于文本相似性，更关注含义而非词频）、杰卡德相似度（用于基于购买历史寻找相似客户）。
相似性搜索中KNN和ANN算法有什么区别？
K最近邻（KNN）和近似最近邻（ANN）都是用于快速准确找到相似项的算法，各有优缺点。KNN是精确搜索，但计算成本高；ANN是近似搜索，速度更快但可能牺牲一些准确性。这些算法已集成在数据库引擎中，通过索引可以显著加速搜索。
向量数据库和向量存储有什么区别？各有哪些例子？
向量数据库是从头设计的，专门用于存储、索引和查询向量数据，例如Pinecone和Quadrant。向量存储则是传统数据库增加了存储和检索向量数据的能力，例如ClickHouse和带有pg_vector扩展的PostgreSQL。
