完整题目
什么是向量数据库？它和 MySQL 这类传统数据库有什么本质区别，为什么能在海量向量里快速找到最相似的几条？
本文目录
答案要点
- 向量数据库存的是 embedding（把文本、图片等编码成的一串数字），核心操作是"找最相似的 Top-K"，而不是精确匹配
- 传统数据库回答"等于/大于"这类精确问题，向量数据库回答"和它最像的是哪几条"这类语义问题
- 逐条暴力比对是 O(N)，千万级向量下每次查询都算不动，所以要用 ANN（近似最近邻）
- ANN 的思路是提前建好索引，查询时只看一小部分"候选区域"，用少量精度换几个数量级的速度
- 常见索引：HNSW（分层图）、IVF（先聚类再查桶）、PQ（压缩向量省内存）
核心概念
向量数据库是一类专门存储高维向量、并按"相似度"进行检索的数据库：文本、图片先经过 embedding 模型编码成几百到几千维的向量，语义越接近的内容，向量在空间中的距离越近；查询时输入一个查询向量，数据库返回距离最近的 Top-K 条记录。这正是 RAG（检索增强生成）里"根据问题找相关文档"这一步的基础设施。
和传统数据库的对比
| 维度 | 传统数据库（MySQL） | 向量数据库（Milvus/Faiss 等） |
|---|---|---|
| 存什么 | 结构化行数据 | 高维向量 + 元数据 |
| 怎么查 | 精确条件（WHERE） | 相似度 Top-K（近邻搜索） |
| 结果 | 完全匹配的集合 | 按距离排序的"最像的几条" |
| 典型索引 | B+ 树 | HNSW / IVF / PQ |
ANN 为什么快
- 暴力检索要把查询向量和库里每一条都算一次距离，N 条就是 N 次计算，规模一大就扛不住
- ANN 提前建索引：比如 HNSW 把向量组织成多层"高速公路网"，查询时从高层粗定位、逐层往下细找，只访问极少数节点
- 代价是"近似"：可能漏掉个别真正的最近邻，用召回率（找回来多少真答案）衡量；实践中 95%+ 的召回换来毫秒级响应，非常划算
入门之后，可以往 HNSW/IVF 的原理细节、召回率与延迟的权衡、混合检索方向深入。
换一种问法，检查是否真正理解
概念辨析
MySQL 也能存一列数字数组，为什么不直接在 MySQL 里算相似度，非要引入一个向量数据库？两者的本质分工差在哪？
场景切入
假设要给公司十万篇文档做语义搜索，用户输入一句话就能找到意思最接近的文档，你会怎么存、怎么查？暴力逐条比对行不行？
练习口述回答 · 约2分钟
- 本质是语义搜索，不是精确匹配
- 传统数据库 vs 向量数据库：存什么、查什么
- ANN 索引如何提速，代价是近似
- 业务场景：客服知识库，混合检索更稳
这道题其实在问，当数据变成高维向量以后，怎么在海量数据里快速找到最相似的几条。核心区别是，传统数据库解决精确匹配问题，比如查订单号等于多少、价格大于多少，返回的是精确集合；而[[向量数据库]]解决的是语义相似问题，比如找一段和用户问题最相关的文档片段，返回的是按距离排序的TOP-K。
你可以这么理解，MySQL 存的是结构化行数据，查询走 B+ 树索引，结果要求完全匹配；向量数据库存的是 [[Embedding]]，也就是文本、图片经过模型编码成的一串浮点数，查询时算向量距离，语义越接近距离越近。
那为什么向量数据库能在千万级数据里快速找到最相似的？如果暴力比对，每条都要算距离，复杂度 O(N)，根本扛不住。所以实际用的是 [[ANN]]，也就是近似最近邻。它的思路是提前建索引，查询时只扫描一小部分候选区域，用少量精度换几个数量级的速度。常见的索引有 [[HNSW]]，把向量组织成分层图，从高层粗定位再往下细找；还有 [[IVF]]，先聚类再查最近的桶。代价就是近似，可能漏掉个别的真正最近邻，但实践中召回率做到95%以上，延迟能压到毫秒级，非常划算。
举个业务场景，比如客服知识库，用户问“退款流程是什么”，传统关键词检索可能因为措辞不同而漏掉，向量检索能匹配语义相近的文档。但这里有个坑：如果只靠向量，遇到订单号、政策编号这种精确信息就容易翻车。所以真正落地我不会只用向量检索，而是做 [[Hybrid Search]]，把向量和关键词结合起来，再配合 [[Rerank]]，这样精确匹配和语义匹配都能覆盖。
不过要注意，ANN 索引在数据频繁更新时表现会变差，因为图结构或聚类中心需要重建。我会特别关注写入延迟和索引重建策略，如果业务对实时性要求高，可能得用 delta 加 base 双索引的方案，查询时合并结果，这样新增数据能准实时生效，同时保证检索质量。
所以我的看法是，向量数据库不是要替代传统数据库，而是解决语义搜索这个特定问题。选型时得看场景：事实问答、精确匹配多的，传统数据库加全文搜索可能更稳；语义理解、开放域检索多的，向量数据库才有价值。