向量数据库

最后更新：2026-06-08 数据来源：data/infrastructure.yaml 自动生成

---

🔍 向量检索到底在干什么？

向量检索的本质：把文本变成一组数字（向量），然后找到"距离最近"的其他文本。

"苹果手机" → [0.12, -0.34, 0.56, ...] (1024 维向量)
"iPhone"   → [0.11, -0.33, 0.55, ...] (距离很近 → 语义相似)
"香蕉"     → [0.78, 0.45, -0.12, ...] (距离很远 → 语义不同)

为什么不用关键词搜索？ 因为"苹果手机"和"iPhone"没有任何共同关键词，但语义完全相同。

检索方式	能搜到"iPhone"吗	能搜到"苹果 16 Pro 价格"吗	适用场景
关键词 (BM25)	❌	✅	精确匹配（产品名、代码）
向量 (Dense)	✅	❌	语义搜索（自然语言）
混合检索	✅	✅	两者兼顾

[!TIP] 2026 年的共识：混合检索是标配 纯向量检索在精确匹配场景下严重不足。如果你的知识库包含产品名、代码、数字等精确信息，一定要用混合检索。

---

📋 向量数据库总览

🏗️ 分布式

数据库	规模	索引类型	云服务	延迟	核心亮点
✅ Redis	-	-	-	-	74.8K Stars 实时数据 高性能向量
✅ TiDB	-	-	-	-	40.1K Stars Agent 工作负载 分布式
✅ OpenViking	-	-	-	-	25.3K Stars 火山引擎出品 Agent 上下文数据库
✅ Qdrant	十亿级	HNSW	Qdrant Cloud	<5ms	Rust 编写高性能 Payload 过滤 多向量支持
✅ Typesense	十亿级	HNSW	Typesense Cloud	<5ms	全文+向量混合搜索 容错搜索 (typo-tolerant) 极速响应
✅ Cognee	-	-	-	-	17.7K Stars AI 记忆平台 持久化记忆
✅ Milvus	百亿级	IVF, HNSW, DiskANN	Zilliz Cloud	<10ms	分布式架构 GPU 加速索引 IVF/HNSW/DiskANN
✅ Weaviate	十亿级	HNSW	Weaviate Cloud	<10ms	内置向量化模块 多模态搜索 GraphQL API
✅ Vespa	百亿级	HNSW, 自定义	Vespa Cloud	1-10ms	全文+向量混合搜索 实时索引 ML 模型内嵌
✅ Elasticsearch 8.x	百亿级	HNSW	Elastic Cloud	5-50ms	HNSW 原生支持 全文+向量混合 生态极其广泛

📦 嵌入式

数据库	规模	索引类型	云服务	延迟	核心亮点
✅ Chroma	百万级	HNSW	Chroma Cloud	<10ms	极简 API 嵌入式部署 自动向量化
✅ LanceDB	千万级	IVF, HNSW	LanceDB Cloud	<10ms	零配置嵌入式 多模态支持 Apache Arrow 格式

☁️ 云原生

数据库	规模	索引类型	云服务	延迟	核心亮点
Pinecone	十亿级	专有	Pinecone	<10ms	全托管 Serverless 低运维 混合搜索

🔌 扩展

数据库	规模	索引类型	云服务	延迟	核心亮点
✅ pgvector	千万级	IVFFlat, HNSW	各云厂商 PG	<50ms	基于 PostgreSQL 无需额外基础设施 IVFFlat/HNSW 索引

📚 库

数据库	规模	索引类型	云服务	延迟	核心亮点
✅ FAISS	十亿级	IVF, HNSW, PQ	—	<1ms	Meta 开源 GPU 加速 极致性能
✅ txtai	百万级	HNSW	—	<10ms	语义搜索 RAG 工作流 Python 原生

---

🏛️ 两大阵营

专精向量派：只做向量检索，做到极致

数据库	特点	最大规模	部署方式	适合谁
Qdrant	Rust 写的，性能极好	10 亿+	Docker / Cloud	小团队首选
Milvus	企业级，GPU 加速	100 亿+	K8s / Cloud	大规模场景
Chroma	嵌入式，5 分钟上手	千万级	pip install	原型验证

混合检索派：全文 + 向量，一步到位

数据库	特点	全文检索	向量检索	适合谁
Elasticsearch	生态最成熟	✅ 原生	✅ 原生	已有 ES 基建
pgvector	PG 扩展，零迁移	✅ PG 全文	✅ 扩展	已有 PostgreSQL
Typesense	轻量易用	✅ 原生	✅ 扩展	小团队快速上手

[!TIP] 不知道选什么？

• 快速原型 → Chroma（pip install chromadb）
• 小规模生产 → Qdrant（单机 Docker）
• 已有 PG → pgvector（一个扩展搞定）
• 需要混合检索 → Elasticsearch / Typesense

💡 RAG 最简方案

个人/小团队的 RAG 技术栈：

环节	推荐方案	说明
文档切分	按语义切分，512 Token	避免按固定字符切分破坏语义
Embedding	BGE-M3 (开源)	参见 01-foundation-models/embedding-reranker.md
向量存储	Chroma (原型) / Qdrant (生产)	千万级以下单机足够
Reranking	BGE-Reranker-V2 (开源)	两阶段检索提升 20-40% 准确率

最简 RAG 代码（Chroma + BGE-M3）：

# pip install chromadb FlagEmbedding
import chromadb
from FlagEmbedding import BGEM3FlagModel

model = BGEM3FlagModel('BAAI/bge-m3')
client = chromadb.Client()
collection = client.create_collection("docs")

# 索引
docs = ["你的文档片段..."]
embeddings = model.encode(docs)['dense_vecs']
collection.add(documents=docs, embeddings=embeddings, ids=["1"])

# 检索
query = "用户问题"
query_emb = model.encode([query])['dense_vecs']
results = collection.query(query_embeddings=query_emb, n_results=5)

---

更新频率：每季度更新 自动化：运行 python scripts/build_docs.py 从 YAML 重新渲染表格。