大模型Rag - 向量数据库

一、什么是向量数据库？

向量数据库（Vector Database）是专门为存储和查询高维向量而设计的数据库系统。它主要应用于语义检索、保举系统、图像辨认等场景，通过 embedding 模型将非结构化数据（如文本）转化为向量，再使用向量数据库完成存储与高效检索。
与关系型数据库的焦点区别
特性关系型数据库向量数据库存储数据类型多种字段类型（int, string 等）向量（float 数组）和文档检索方式准确匹配、范围查询相似度匹配（向量距离）索引结构B+ 树、哈希索引IVF、PQ、HNSW 等向量索引应用场景结构化数据管理非结构化数据语义搜刮 向量数据库的焦点本领体现在高效的相似度检索，它必须在大规模向量聚集中快速找到“最接近”的向量，而不仅仅是相等匹配。
二、主流向量数据库盘点

当前向量数据库生态大致可以分为两类：

• 专为向量而生的数据库：如 Chroma、Milvus、FAISS 等；
  
• 传统数据库添加向量支持：如 Elasticsearch、Redis、ClickHouse 等。
  

三、Chroma：轻量易用的向量数据库

Chroma 是一款开源、AI 原生的向量数据库，支持本地和服务端摆设。它为开发者提供了简洁的 API 和开箱即用的体验，适合中小型项目的快速开发。
焦点特性

• 安装简便，一行命令 pip install chromadb 即可；
  
• 支持多语言调用（Python、JavaScript 等）；
  
• 集成主流 AI 开发框架（如 LangChain）；
  
• 支持混淆检索：元数据过滤 + 向量相似度检索。
  

四、Milvus：工业级向量数据库之选

Milvus 是由 Zilliz 开发的云原生向量数据库，具备强盛的横向扩展本领，适用于千万乃至亿级向量的管理。
焦点特性

• 本地/服务端/分布式摆设，机动选择；
  
• 支持 GPU 加快、脚色权限控制；
  
• 丰富的索引类型和相似度度量（如 L2、余弦、IP）；
  
• 与 Chroma 雷同支持混淆检索和多语言调用。
  

五、Chroma 与 Milvus 对比总结

特性维度 Chroma Milvus
上手难度 ⭐⭐⭐⭐☆（易上手） ⭐⭐☆☆☆（较复杂）
摆设方式 本地 / 服务端 本地 / 服务端 / 分布式
可扩展性 中等 高
检索本领 支持元数据 + 向量检索 支持更多相似度度量与索引算法
权限与监控 暂不支持 支持脚色权限、监控与日志功能
适合项目规模 中小型 中大型
六.索引

Flat 索引（全表扫描）

Flat 是最原始的方式，它直接对每一个向量进行逐个盘算相似度并排序。
✅ 长处：100% 精度
❌ 缺点：速率慢，不适合大数据量
适合场景：

• 数据量 < 5,000
  
• 精度要求极高的科研类项目
  

IVF 倒排索引

IVF（Inverted File Index）通过KMeans 聚类将向量聚集分成多个簇，在检索时先找到最相近的簇，再在簇内做局部扫描。

继续阅读请点击广告