🧠 一、什么是向量库（Vector Database）

向量库（Vector Database） 是一种专门用于 存储、索引和搜索向量（vector）数据 的数据库。

这些“向量”通常是由 AI 模型（例如 BERT、OpenAI Embeddings、CLIP、Sentence Transformers 等）将文本、图片、音频、视频或结构化数据 转化为高维数值表示（embedding） 后得到的。

每个向量可能有上百甚至上千个维度，比如：

[0.12, -0.08, 0.33, 0.91, ..., -0.27]

🔍 二、为什么需要向量库？

普通数据库擅长 精确匹配（例如根据主键或字段值查询），
但在 AI 应用中，我们更多需要 语义匹配（Similarity Search）。

举例：

如果你搜索 “how to learn Python”

• 普通数据库：只能匹配完全相同的字符串。
• 向量数据库：能找到语义相近的句子，如 “best way to start coding in Python” 或 “Python beginner tutorials”。

因为它们的 embedding 向量在高维空间中彼此接近。

⚙️ 三、核心原理

1. 数据向量化：
   原始文本或图片 → 模型生成 embedding（如 768 维向量）。
2. 索引构建（Indexing）：
   使用算法（如 HNSW、IVF、PQ 等）将大量向量组织起来，方便快速近似搜索。
3. 相似度计算：
   使用向量距离度量相似性（常用）：
   • 余弦相似度（Cosine Similarity）
   • 欧氏距离（Euclidean Distance）
   • 内积（Dot Product）
4. 近似最近邻搜索（ANN, Approximate Nearest Neighbor）：
   在亿级数据中快速找出与查询向量最接近的若干条。

🧩 四、主要功能

💡 五、应用场景

🏗️ 六、常见向量数据库产品

🧠 七、与传统数据库的对比

🚀 八、简单示例（以 Python + FAISS）

import faiss
import numpy as np

# 假设我们有3个向量
vectors = np.array([
    [0.1, 0.2, 0.3],
    [0.2, 0.1, 0.9],
    [0.9, 0.8, 0.7]
]).astype('float32')

# 构建索引
index = faiss.IndexFlatL2(vectors.shape[1])
index.add(vectors)

# 查询向量
query = np.array([[0.1, 0.2, 0.31]]).astype('float32')
D, I = index.search(query, k=2)

print(I)  # 返回最相似的向量索引
print(D)  # 返回距离

输出示例：

[[0 1]] [[0.0001 0.60]] 

🧠 九、开源向量库--Milvus

https://milvus.io/docs/zh/quickstart.md

Milvus 是一个开源的向量数据库（Vector Database）
用于存储、索引和检索高维向量数据。

简单来说，它是一个专门为「相似度搜索」设计的数据库。
当你有几百万篇文章、图片、音频、文档的 embedding 向量时，
Milvus 可以在 毫秒级 内找出与查询向量最相似的内容。

🏗 十、Milvus 的核心功能

🧩 十一、Milvus 在 RAG 系统中的角色

RAG 流程回顾：

用户问题
   ↓
向量化 (Embedding)
   ↓
向量检索 (Milvus)
   ↓
上下文拼接
   ↓
调用大模型 (DeepSeek)
   ↓
回答输出

在这个流程里，Milvus 负责第二步：向量检索
它让你的系统能“理解语义相似性”，比如：

“Spring Boot 连接数据库失败”
可能检索出
“解决 Spring Data JPA 连接 MySQL 报错的文章”

⚙️ 十二、Milvus 的基本架构

Milvus 本质上是一个 分布式服务系统，核心组件包括：

部署方式：

• ✅ Standalone 模式（开发测试）
• 🚀 Cluster 模式（生产环境）

🗄️ 十三、基本使用流程（以 Java SDK 为例）

下面是一个简化的使用示例：

1️⃣ 引入依赖

<dependency>
  <groupId>io.milvus</groupId>
  <artifactId>milvus-sdk-java</artifactId>
  <version>2.4.0</version>
</dependency>

2️⃣ 初始化连接

MilvusServiceClient milvusClient = new MilvusServiceClient(
    ConnectParam.newBuilder()
        .withHost("localhost")
        .withPort(19530)
        .build()
);

3️⃣ 创建集合（类似于表）

FieldType idField = FieldType.newBuilder()
    .withName("id")
    .withDataType(DataType.Int64)
    .withPrimaryKey(true)
    .build();

FieldType vectorField = FieldType.newBuilder()
    .withName("embedding")
    .withDataType(DataType.FloatVector)
    .withDimension(768)  // 向量维度
    .build();

CreateCollectionParam createCollectionParam = CreateCollectionParam.newBuilder()
    .withCollectionName("blog_knowledge")
    .addFieldType(idField)
    .addFieldType(vectorField)
    .build();

milvusClient.createCollection(createCollectionParam);

4️⃣ 插入数据

List<Long> ids = List.of(1L, 2L);
List<List<Float>> vectors = List.of(
    Arrays.asList(0.1f, 0.2f, ...),
    Arrays.asList(0.3f, 0.4f, ...)
);

InsertParam insertParam = InsertParam.newBuilder()
    .withCollectionName("blog_knowledge")
    .addField("id", ids)
    .addField("embedding", vectors)
    .build();

milvusClient.insert(insertParam);

5️⃣ 相似度检索

List<List<Float>> queryVectors = List.of(userQueryVector);

SearchParam searchParam = SearchParam.newBuilder()
    .withCollectionName("blog_knowledge")
    .withMetricType(MetricType.COSINE)
    .withTopK(5)
    .withVectors(queryVectors)
    .build();

SearchResults results = milvusClient.search(searchParam);

结果中返回：

• 匹配的向量 ID
• 相似度得分
• 可用于拼接上下文内容

⚙️ 十四、Milvus 的索引类型简介

🧰 十五、在 RAG 项目中的常见组合

📊 十六、性能与对比

✅ 十七、总结