向量数据库
专门存储、索引与检索高维向量的数据库系统——把文本、图像、音频等非结构化数据经嵌入模型转成稠密浮点向量（常见 384/768/1024/1536/3072 维），再以「向量相似度」为核心查询语义，支撑语义搜索、推荐、RAG、去重、聚类等场景。
与 RAG 的边界：本叶聚焦存储选型与索引原理——为什么 HNSW 比 IVF_FLAT 召回高、为何 pgvector 适合「已有 PG」的场景、Pinecone serverless 与 Milvus 自托管的取舍。RAG 叶子讲四阶段流程（切片→嵌入→检索→生成），本叶讲「向量在库里到底是怎么存、怎么查」。
主流选手分三类：
- 托管 SaaS / Serverless：Pinecone（2025 起 serverless 为主，pod 已停售新户）、Weaviate Cloud
- 自托管开源：Milvus（索引矩阵最全）、Qdrant（Rust）、Weaviate（Go）、Chroma（轻量）、pgvector（PG 扩展）
- 数据库扩展：pgvector（PostgreSQL）、Redis Stack、Elasticsearch
评价
优点
- 语义检索：超越关键词，按「意思」匹配（同义词、跨语言、改写都召回）
- 多模态统一：文本/图/音/代码都变成向量，同一套相似度接口
- 高效 ANN：HNSW / IVF 等索引让百万级向量毫秒级返回（暴力计算不可能）
- 混合检索：Weaviate / Qdrant / Milvus 都支持 dense+sparse 同库查询
- 生态成熟：LangChain / LlamaIndex / Vercel AI SDK 等开箱即接
- 与现有 DB 融合：pgvector 让 Postgres 一库搞定关系 + 向量
缺点
- 维度爆炸：1536/3072 维 × 百万行 = GB 级内存，HNSW 尤其吃 RAM
- 近似不精确：除 FLAT 外所有 ANN 索引都是近似结果，召回 < 100%
- 更新成本高：HNSW 增删后图结构需重新平衡，大批量写入要停服重建
- 调参门槛：
ef_construction/M/nlist/nprobe等参数互相牵制 - 成本：托管服务按存储 + 计算计费，大规模场景比自建贵数倍
- 选型难：6+ 主流产品各有侧重，选错迁移成本极高
文档地址
- Pinecone：docs.pinecone.io
- Milvus：milvus.io/docs
- Weaviate：weaviate.io/developers/weaviate
- Qdrant：qdrant.tech/documentation
- Chroma：docs.trychroma.com
- pgvector：github.com/pgvector/pgvector
GitHub地址
- Milvus：milvus-io/milvus
- Qdrant：qdrant/qdrant
- Weaviate：weaviate/weaviate
- Chroma：chroma-core/chroma
- pgvector：pgvector/pgvector