向量数据库入门教程——嵌入、相似度搜索与 ChromaDB
内容提要
freeCodeCamp 发布 1.5 小时免费课程，讲解向量数据库原理与实战：从向量、余弦相似度和欧氏距离等数学基础讲起，介绍分词与嵌入模型，演示用 Gemini 生成嵌入并用 PCA 可视化；随后讲解向量数据库的存储、索引与查询，以及 IVF 和 HNSW 如何避免暴力搜索；最后用 ChromaDB 实现语义搜索项目。
延伸解读
从数学基础到实战的完整路径
课程从向量、余弦相似度和欧氏距离等数学概念讲起，逐步过渡到分词、嵌入模型，最后用 ChromaDB 实现语义搜索。这种结构适合零基础学习者，先理解“为什么”再动手“怎么做”，避免直接调用 API 却不懂背后原理。1.5 小时的时长也意味着内容紧凑，适合集中入门。
嵌入模型与可视化：用 Gemini 和 PCA 直观理解
课程演示用 Google 的 Gemini 嵌入模型生成向量，并用主成分分析（PCA）将高维向量降到 3D 进行可视化。这有助于直观感受“语义相近的文本在向量空间中距离更近”，例如经典的“国王 - 男人 + 女人 = 女王”例子。可视化虽简化了高维信息，但作为教学手段能降低理解门槛。
索引结构：IVF 与 HNSW 如何避免暴力搜索
向量数据库的核心挑战是高效查询。课程解释 IVF 和 HNSW 两种索引如何避免逐条比较的暴力搜索：IVF 通过聚类缩小搜索范围，HNSW 则构建分层图结构加速近邻查找。理解这些索引的取舍（如速度与召回率的平衡）对实际选型和调优有直接帮助，而课程从存储、索引到查询的分层讲解提供了系统视角。
ChromaDB 实战：语义搜索的落地步骤
最后一部分用 ChromaDB 创建客户端和集合，存储嵌入并执行基于语义的查询。这覆盖了向量数据库的基本工作流：嵌入生成、存储、索引和检索。对于想快速搭建 RAG 应用或推荐系统的开发者，这个实战项目提供了可复用的代码模式，但课程未涉及生产环境下的扩展性、持久化或性能调优，需后续深入学习。
Q&A
向量数据库和传统数据库有什么区别？
向量数据库将数据存储为称为嵌入的数字列表，从而可以按含义搜索，而不是匹配精确的关键词。传统数据库通常基于精确匹配或关键词搜索。
余弦相似度和欧氏距离分别是什么？
余弦相似度和欧氏距离都是衡量两个数据点（向量）之间相似度或距离的数学方法。余弦相似度测量向量之间的夹角，欧氏距离测量向量之间的直线距离。
为什么AI模型需要分词？
AI模型无法直接读取原始文本，因此需要使用分词器将文本拆分成更小的单元（token）。例如，分词器会将单词“indivisible”拆分成多个token。
嵌入模型如何将文本转换为向量？
嵌入模型将文本转换为能够捕捉语义的向量。例如，经典的“国王 - 男人 + 女人 = 女王”例子展示了嵌入如何捕捉词语之间的语义关系。
如何使用Gemini生成嵌入并可视化？
课程中演示了使用Google的Gemini嵌入模型生成嵌入，然后使用主成分分析（PCA）将结果在3D中可视化。
IVF和HNSW索引如何避免暴力搜索？
IVF和HNSW是向量数据库中使用的索引结构，它们通过高效的组织和搜索策略来避免缓慢的暴力搜索，从而加速查询过程。
如何用ChromaDB实现语义搜索？
使用ChromaDB实现语义搜索的步骤包括：创建Chroma客户端和集合，存储嵌入向量，然后运行基于含义返回结果的查询。
