网站建设可以帮助企业/seo服务公司招聘

上一篇博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 中 , 讲解了 向量相似度 的计算方式 , 使用 OpenAI 的 text-embedding-ada-002 文本向量模型 生成了 一组文字的 文本向量 , 分别使用 余弦距离 和 欧式距离 计算了 文本向量 之间的相似度 ;

一、向量数据库

---

1、向量数据库引入

在上一篇博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 中 , 使用 向量模型 将文本转为 向量 , 如 : OpenAI 的 text-embedding-ada-002 文本向量模型 , 可以将文本转为 1536 维的浮点数向量值 ;

OpenAI 的 text-embedding-ada-002 文本向量模型 可以 跨语言进行相似度计算 , 如 : 计算 英文 和 中文 的相似度 ;

然后 , 通过 循环遍历 对比 目标文本向量 和 每个文本向量 的 余弦距离 和 欧式距离 , 得到一个距离最短的文本 , 这样对比计算量非常大 ;

如何快速检索出某个 文本 含义相似的 目标文本 , 这里引入一个新的工具 " 向量数据库 " ;

2、向量数据库简介

向量数据库 ( Vector Database ) 是专门用于 存储、检索 和 管理 高维向量数据的 数据库系统 , 其核心能力是 快速 执行 向量相似性搜索 ;

向量数据库 可以 快速搜索到 与 目标文本 相似的 文本内容 ;

向量数据库 存储 :

• 向量存储 : 将 将 文本、图片、音视频 等数据 通过 机器学习模型 转换为 高维向量 , 然后 存储到 " 向量数据库 " 中 ;
• 向量压缩 : 向量数据库 中 使用了 向量压缩技术 , 可 节省 向量 存储空间 ;

向量相似度计算 : 在 向量数据库 中的 向量 , 通过 计算向量距离 衡量相似性 , 如 : 欧氏距离、余弦距离 ;

向量数据库查询 : 使用 ANN 近似最近邻搜索 算法 在 高维向量空间 中快速查找与给定 向量点 最接近的 向量 , 该算法可以 在 保证一定检索精度的前提下 , 显著 提高了搜索效率 , 特别适用于处理大规模、高维数据集 ;

3、向量数据库 索引结构和搜索算法

技术类型	代表算法/结构	特点	算法原理	时间复杂度	优缺点	适用场景
树结构	KD-Tree, Ball-Tree	基于空间划分，结构直观，支持精确搜索	递归划分空间（KD-Tree按坐标轴划分，Ball-Tree按超球体划分）	O(N log N)	✅ 低维精确搜索快 ❌ 高维性能急剧下降（维度灾难）	维度<20的结构化数据检索
哈希方法	LSH (局部敏感哈希)	牺牲精度换速度，哈希碰撞可控	设计哈希函数使相似向量映射到相同桶的概率更高	O(N)	✅ 速度快、内存低 ❌ 精度与哈希函数设计强相关	快速去重、近似搜索初筛
图索引	HNSW, NSG	小世界网络优化，层级化搜索路径	构建多层概率图结构，通过邻居跳转实现高效近邻搜索	O(log N)	✅ 高召回率、支持动态更新 ❌ 内存消耗较大	大规模高维数据（图像/文本）
量化方法	PQ (乘积量化), SQ (标量量化)	有损压缩，向量维度解耦计算	将高维向量分解为子空间并分别量化，降低存储和计算复杂度	O(N)	✅ 内存占用降低80%+ ❌ 量化误差导致精度损失	十亿级向量内存优化场景
倒排索引	IVF (倒排文件系统)	粗粒度筛选+细粒度比较	先聚类（如K-means），搜索时仅扫描最近簇的向量	O(√N)	✅ 搜索速度提升显著 ❌ 需预训练聚类中心	配合PQ量化加速搜索
混合结构	DiskANN	磁盘-内存分级存储，减少IO瓶颈	基于SSD优化存储，结合图索引与量化技术	O(log N)	✅ 支持TB级数据 ❌ 需要SSD硬件配合	超大规模磁盘存储场景
深度学习驱动	Learned Index	数据分布自适应性，端到端优化	使用神经网络预测向量分布，优化索引构建	训练后O(1)	✅ 自适应数据分布 ❌ 需要大量训练数据	数据分布规律的专用场景

4、向量数据库 应用场景

向量数据库应用场景 :

• 推荐系统 : 根据用户行为向量 匹配相似商品 ;
• 图像检索 : 输入一张图片 , 快速找到相似图片 ;
• 语义搜索 : 将文本转换为向量 , 实现 语义级搜索 ;
• 生物信息学 : 对 基因序列、蛋白质结构 进行 相似性匹配 ;

5、传统数据库 与 向量数据库 对比

对比维度	传统数据库	向量数据库
核心数据类型	结构化数据（表格、字段）	非结构化数据的向量化表示（高维数值）
主要查询方式	精确匹配（SQL条件查询）	相似性搜索（Top-K最近邻，ANN算法）
索引结构	B树、哈希索引	HNSW图、IVF倒排索引、LSH哈希等
性能瓶颈	复杂JOIN、事务锁竞争	高维向量计算效率与内存占用
典型应用场景	金融交易、用户管理等结构化业务	图像/文本检索、推荐系统、语义搜索
扩展性	垂直扩展（硬件升级）为主	分布式架构，天然支持水平扩展
处理规模	百万~十亿级结构化记录	十亿~万亿级高维向量
查询延迟	毫秒~秒级（依赖索引优化）	亚毫秒~百毫秒级（ANN加速）
数据一致性	强一致性（ACID）	最终一致性为主（分布式场景）
代表系统	MySQL, PostgreSQL, Oracle	Milvus, Pinecone, Faiss, Qdrant

二、常见 向量数据库 对比

---

名称	开源	云服务	主要特点	优点	缺点	使用场景
FAISS	是	否	专注高性能向量检索，需搭配其他存储使用	速度快，支持大规模高维数据，适合研究场景	无持久化存储，需自行处理数据管理	研究项目、离线大规模相似性搜索（如推荐系统原型）
Pinecone	否	是	全托管云服务，开箱即用	简单易用，自动扩展，低运维成本	价格高，灵活性低，仅支持云服务	商业应用快速部署（如实时推荐、语义搜索）
Milvus	是	是	分布式架构，支持海量数据，多索引类型	扩展性强，功能全面，社区活跃	自托管部署复杂，资源消耗较高	企业级生产环境（如十亿级向量搜索、AI平台后端）
Weaviate	是	是	内置模型向量化，支持混合搜索（向量+关键词）	自带数据向量化，GraphQL接口灵活	模型依赖性强，自定义向量需额外配置	语义增强搜索（如知识图谱、结合文本和向量的多模态检索）
Qdrant	是	是	高性能Rust实现，支持过滤查询	低延迟，内存效率高，适合实时场景	社区较小，文档相对较少	高并发低延迟场景（如实时推荐、流式数据处理）
PGVector	是	否	PostgreSQL扩展，支持SQL操作向量	无缝兼容PostgreSQL，事务支持，混合查询	性能低于专用库，大规模数据需优化	已有PostgreSQL的项目添加向量搜索（如结合关系数据的推荐系统）
RediSearch	是	是	基于Redis的向量检索，内存优先	超低延迟，支持实时更新	内存成本高，不适合超大数据集	实时性要求极高的场景（如实时个性化广告、会话式AI）
ElasticSearch	是	是	结合全文检索与向量搜索，成熟生态系统	混合搜索能力强，社区资源丰富	向量检索性能较弱，高维数据效率低	文本+向量混合搜索（如搜索引擎增强、日志分析结合语义）

三、向量数据库 案例

---

1、安装 向量数据库 chromadb

执行 pip install chromadb 命令 , 安装 向量数据库 chromadb ;

使用 Python 语言 开发 chromadb 向量数据库 流程如下 :

• 首先 , 需要 导入 chromadb 库 ;

import chromadb  # ChromaDB 向量数据库

• 然后 , 创建 持久化的 Chroma 向量数据库 客户端 实例 ;

# 初始化 ChromaDB 客户端 (持久化到本地目录)
chroma_client = chromadb.PersistentClient(path="chroma_db")

• 再后 , 获取集合 , 相当于 向量数据库 表 ;

# 创建或获取集合 (相当于数据库表)
collection = chroma_client.get_or_create_collection(name="news_articles",  # 集合名称metadata={"hnsw:space": "cosine"}  # 使用余弦相似度
)

• 再后 , 将 文本向量 插入数据库 ;

# 将文档插入数据库
collection.add(ids=document_ids,               # 唯一ID列表embeddings=document_embeddings, # 文本向量列表documents=documents             # 原始文本列表
)

• 最后 , 查询 向量数据库 ;

# 执行相似性查询
results = collection.query(query_embeddings=[query_embedding],  # 查询向量n_results=2                          # 返回前2个最相似结果
)

2、核心要点 解析

① 创建数据库实例

调用 PersistentClient 构造函数 , 创建 持久化的 Chroma 向量数据库 客户端 实例 , 返回 ClientAPI 实例 ;

def PersistentClient(path: str = "./chroma",  # 路径参数，指定Chroma数据保存的目录，默认为"./chroma"settings: Optional[Settings] = None,  # 设置参数，可选，默认为Nonetenant: str = DEFAULT_TENANT,  # 租户参数，指定此客户端要使用的租户，默认为默认租户database: str = DEFAULT_DATABASE,  # 数据库参数，指定此客户端要使用的数据库，默认为默认数据库
) -> ClientAPI:"""创建一个持久化的Chroma实例，并将其数据保存到磁盘。这对于测试和开发很有用，但不建议在生产环境中使用。参数：path: 保存Chroma数据的目录。默认值为"./chroma"。settings: 客户端的设置配置，如果为None，则使用默认设置。tenant: 此客户端要使用的租户。默认使用默认租户。database: 此客户端要使用的数据库。默认使用默认数据库。"""if settings is None:settings = Settings()  # 如果设置参数为None，则创建一个默认的设置实例settings.persist_directory = path  # 设置持久化目录settings.is_persistent = True  # 标记设置为持久化# 确保参数是正确的类型 -- 用户可以传递任何类型的数据tenant = str(tenant)  # 将租户参数转换为字符串database = str(database)  # 将数据库参数转换为字符串return ClientCreator(tenant=tenant, database=database, settings=settings)  # 返回创建的客户端实例

② 创建数据库表

ClientAPI#get_collection 函数 的 作用是 获取具有给定名称的集合 , 相当于 创建 向量数据库 的 数据库表 , 得到 Collection 实例对象 ;

class ClientAPI(BaseAPI, ABC):tenant: strdatabase: str@abstractmethoddef get_collection(self,name: str,  # 集合的名称embedding_function: Optional[EmbeddingFunction[Embeddable]] = ef.DefaultEmbeddingFunction(),  # 嵌入函数，可选，用于将文档嵌入向量空间，默认为默认嵌入函数data_loader: Optional[DataLoader[Loadable]] = None,  # 数据加载器，可选，用于加载记录（文档、图像等）) -> Collection:"""获取具有给定名称的集合。参数：name: 要获取的集合的名称embedding_function: 可选的嵌入函数，用于将文档嵌入向量空间。如果未提供，则使用默认的嵌入函数。data_loader: 可选的数据加载器函数，用于加载记录（文档、图像等）。返回：Collection: 请求的集合引发：ValueError: 如果集合不存在示例：```pythonclient.get_collection("my_collection")# 返回一个集合，名称为"my_collection"，元数据为空```"""pass

③ 向 向量数据库表 中 插入文本向量

将 文本向量 插入到 数据库表中 ;

class Collection(CollectionCommon["ServerAPI"]):
def add(self,ids: OneOrMany[ID],  # 要添加的嵌入的IDembeddings: Optional[Union[OneOrMany[Embedding],OneOrMany[PyEmbedding],]] = None,  # 要添加的嵌入向量，可选。如果为None，将根据集合中设置的嵌入函数基于文档或图像计算嵌入。metadatas: Optional[OneOrMany[Metadata]] = None,  # 与嵌入相关联的元数据，可选。在查询时，可以根据此元数据进行过滤。documents: Optional[OneOrMany[Document]] = None,  # 与嵌入相关联的文档，可选。images: Optional[OneOrMany[Image]] = None,  # 与嵌入相关联的图像，可选。uris: Optional[OneOrMany[URI]] = None,  # 与嵌入相关联的图像的URI，可选。) -> None:"""将嵌入添加到数据存储中。参数：ids: 您希望添加的嵌入的IDembeddings: 要添加的嵌入向量。如果为None，则将根据集合中设置的嵌入函数基于文档或图像计算嵌入。可选。metadatas: 与嵌入相关联的元数据。在查询时，您可以根据此元数据进行过滤。可选。documents: 与嵌入相关联的文档。可选。images: 与嵌入相关联的图像。可选。uris: 与嵌入相关联的图像的URI。可选。返回：None引发：ValueError: 如果您既没有提供嵌入也没有提供文档ValueError: 如果ids、embeddings、metadatas或documents的长度不匹配ValueError: 如果您没有提供嵌入函数且没有提供嵌入ValueError: 如果您同时提供了嵌入和文档ValueError: 如果您提供了一个已经存在的ID"""# 验证并准备添加请求add_request = self._validate_and_prepare_add_request(ids=ids,embeddings=embeddings,metadatas=metadatas,documents=documents,images=images,uris=uris,)# 调用客户端的添加方法self._client._add(collection_id=self.id,  # 集合IDids=add_request["ids"],  # 添加请求中的IDembeddings=add_request["embeddings"],  # 添加请求中的嵌入metadatas=add_request["metadatas"],  # 添加请求中的元数据documents=add_request["documents"],  # 添加请求中的文档uris=add_request["uris"],  # 添加请求中的URItenant=self.tenant,  # 租户信息database=self.database,  # 数据库信息)

④ 从 向量数据库表 中查询 相似数据

通过调用 Collection#query 函数 , 可以从 向量数据库表 中查询 相似数据 , 可设置查询指定个数的相似结果 ;

class Collection(CollectionCommon["ServerAPI"]):
def query(self,query_embeddings: Optional[Union[OneOrMany[Embedding],OneOrMany[PyEmbedding],]] = None,  # 要查询的嵌入向量，可选query_texts: Optional[OneOrMany[Document]] = None,  # 要查询的文档文本，可选query_images: Optional[OneOrMany[Image]] = None,  # 要查询的图像，可选query_uris: Optional[OneOrMany[URI]] = None,  # 用于数据加载器的URI，可选n_results: int = 10,  # 每个查询嵌入或文本要返回的邻居数量，可选，默认为10where: Optional[Where] = None,  # 用于过滤结果的Where类型字典，例如：`{"$and": [{"color" : "red"}, {"price": {"$gte": 4.20}}]}`，可选where_document: Optional[WhereDocument] = None,  # 用于通过文档过滤的WhereDocument类型字典，例如：`{$contains: {"text": "hello"}}`，可选include: Include = [IncludeEnum.metadatas,IncludeEnum.documents,IncludeEnum.distances,],  # 要包含在结果中的内容列表，可以包含`"embeddings"`、`"metadatas"`、`"documents"`、`"distances"`。ID始终包括在内。默认为`["metadatas", "documents", "distances"]`，可选) -> QueryResult:"""获取提供的query_embeddings或query_texts的n_results个最近邻嵌入。参数：query_embeddings: 要获取最近邻的嵌入向量，可选。query_texts: 要获取最近邻的文档文本，可选。query_images: 要获取最近邻的图像，可选。query_uris: 用于数据加载器的URI，可选。n_results: 每个查询嵌入或文本要返回的邻居数量，可选，默认为10。where: 用于过滤结果的Where类型字典，例如：`{"$and": [{"color" : "red"}, {"price": {"$gte": 4.20}}]}`，可选。where_document: 用于通过文档过滤的WhereDocument类型字典，例如：`{$contains: {"text": "hello"}}`，可选。include: 要包含在结果中的内容列表，可以包含`"embeddings"`、`"metadatas"`、`"documents"`、`"distances"`。ID始终包括在内。默认为`["metadatas", "documents", "distances"]`，可选。返回：QueryResult: 包含结果的QueryResult对象。引发：ValueError: 如果您既没有提供query_embeddings，也没有提供query_texts，也没有提供query_imagesValueError: 如果您同时提供了query_embeddings和query_textsValueError: 如果您同时提供了query_embeddings和query_imagesValueError: 如果您同时提供了query_texts和query_images"""# 验证并准备查询请求query_request = self._validate_and_prepare_query_request(query_embeddings=query_embeddings,query_texts=query_texts,query_images=query_images,query_uris=query_uris,n_results=n_results,where=where,where_document=where_document,include=include,)# 调用客户端的查询方法query_results = self._client._query(collection_id=self.id,  # 集合IDquery_embeddings=query_request["embeddings"],  # 查询请求中的嵌入n_results=query_request["n_results"],  # 查询请求中的邻居数量where=query_request["where"],  # 查询请求中的过滤条件where_document=query_request["where_document"],  # 查询请求中的文档过滤条件include=query_request["include"],  # 查询请求中要包含的内容tenant=self.tenant,  # 租户信息database=self.database,  # 数据库信息)# 转换查询响应return self._transform_query_response(response=query_results, include=query_request["include"])

3、完整代码示例

下面的代码是 在 博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 的 代码基础上 , 将 若干文本 计算出来的 文本向量 存储到 chromadb 向量数据库中 , 然后再从 向量数据库 中查询 相似的文本数据 ;

完整代码示例 :

# 导入所需库
import chromadb  # ChromaDB 向量数据库
from openai import OpenAI  # OpenAI 客户端# 初始化 OpenAI 客户端 (替换成自己的 API 信息)
client = OpenAI(api_key="sk-i3dHqZygi7757aF6",  # 替换为你的 OpenAI API Key , 这里我把自己的 API-KEY 隐藏了base_url="https://api.xiaoai.plus/v1"  # 替换为你的 API 端点
)def get_embeddings(texts, model="text-embedding-ada-002"):"""使用 OpenAI 的嵌入模型将文本转换为向量"""# 调用 OpenAI API 获取嵌入向量response = client.embeddings.create(input=texts,model=model)# 从响应中提取向量数据return [item.embedding for item in response.data]# 初始化 ChromaDB 客户端 (持久化到本地目录)
chroma_client = chromadb.PersistentClient(path="chroma_db")# 创建或获取集合 (相当于数据库表)
collection = chroma_client.get_or_create_collection(name="news_articles",  # 集合名称metadata={"hnsw:space": "cosine"}  # 使用余弦相似度
)# 原始文本数据
documents = ["李彦宏称大模型成本每年降低90%","乌军大批直升机击落多架俄无人机","王力宏回应是否想找新伴侣","饺子不知道观众怎么想出的藕饼cp","加沙停火协议关键时刻生变",
]# 生成文档向量
document_embeddings = get_embeddings(documents)# 准备文档 ID (需要唯一标识符)
document_ids = [str(i) for i in range(len(documents))]  # 生成 ["0", "1", ..., "4"]# 将文档插入数据库
collection.add(ids=document_ids,               # 唯一ID列表embeddings=document_embeddings, # 文本向量列表documents=documents             # 原始文本列表
)# 查询文本
query_text = "国际争端新闻"# 生成查询向量
query_embedding = get_embeddings([query_text])[0]# 执行相似性查询
results = collection.query(query_embeddings=[query_embedding],  # 查询向量n_results=2                          # 返回前2个最相似结果
)# 打印查询结果
print("查询内容:", query_text)
print("最相似结果:")
for doc, score in zip(results['documents'][0], results['distances'][0]):print(f"相似度 {score:.4f}: {doc}")

执行结果 :

查询内容: 国际争端新闻
最相似结果:
相似度 0.1806: 加沙停火协议关键时刻生变
相似度 0.1922: 乌军大批直升机击落多架俄无人机

下图是在本地生成 的 向量数据库 文件内容 ;