向量数据库（vector database）
/ VEK-tur DAY-tuh-bays /
向量数据库，是一种专门打造的存储，用来按「含义」、而非按「精确匹配」去找东西。现代 AI 把文本、图像或音频，转成一长串数字，叫做嵌入（embedding）——是某个空间里的坐标，在那空间里，相似的东西落得彼此挨近，不相干的东西落得彼此遥远。向量数据库存着数以百万计的这种坐标，并飞快地回答一个核心问题：「给定这个点，离它最近的其他点是哪些？」而那个「最近」，翻译过来就是「含义上最相似」。
拿它跟普通数据库比一比。普通数据库精于精确查找——找出「姓名等于『史密斯』」的那一行——可对含义视而不见；它分不清「car」和「automobile」是相关的，也看不出一张海滩照片与一张海岸照片相像。向量数据库，正是为这种模糊的、基于含义的检索而生的。诀窍在于「快」：把一条查询挨个跟数以百万计的点去比，会慢得受不了，所以这些系统用上巧妙的索引，迅速找出「近似的」最近邻，拿一丁点儿精确，换来巨大的速度。
为什么这很重要：向量数据库是今天许多应用型 AI 背后的检索引擎——语义搜索、推荐，尤其是检索增强生成，也就是语言模型在作答之前先去查一查相关事实。诚实的提醒是：数据库只懂得「在它被给定的那个嵌入空间里」的相似，所以它的结果，好不过造出那些向量的嵌入模型——糟糕的嵌入，意味着自信而错误的「相似」结果。而且大多数数据库在设计上就是近似的，所以它们偶尔会漏掉一个真正最近的匹配。对小规模的集合，向量数据库往往是不必要的负担；一次朴素的搜索就能办成这事。
你在一个客服网站上搜索「我的笔记本开不了机」。向量数据库把你这条查询的嵌入，与几千篇帮助文章相比对，返回了一篇题为《设备无法上电》的文章——哪怕它与你的搜索一个字都不重合，只因它们的含义彼此挨得很近。
按含义匹配，而非按字眼——那篇文章一个关键词都不沾，却恰恰是对的。
向量数据库的结果，有意义到什么程度，全看喂进去的嵌入有多好。它忠实地返回「嵌入模型认为相似」的东西——所以那个模型若有盲区或偏见，搜索便一并继承了过来，外表却显得很权威。数据库负责「找」；而「相似」究竟意味着什么，是由嵌入模型来定义的。