向量数据库（Vector Database）

AI知见编辑部 · 技术原理 · 持续更新

一句话说清

按"意思"而不是按"字面"存资料的数据库——AI知识库和RAG背后的仓库。

普通数据库查找是"字面匹配"：你搜"报销流程"，它只找含这四个字的记录。向量数据库是"意思匹配"：你问"出差花了钱怎么报"，它能找到标题叫《差旅费用管理制度》的文档——因为它把每段文字都转成一串代表"意思"的数字（向量），意思相近的内容，数字也相近。

它解决的是AI的两个短板：记不住你的私有资料（训练时没见过），以及上下文装不下整本手册。做法是提前把资料切块存进向量数据库，你提问时先按意思捞出最相关的几段，连同问题一起给AI——AI看着参考资料回答，就不瞎编了。这套组合就是RAG。

普通人不用自己搭。你只要知道：凡是标榜"上传文档就能问"的AI工具（各种知识库产品），底下基本都是向量数据库在干活。选这类工具时，比的不是谁家数据库牛，是谁家切块准、检索稳。

你用AI问自家文档（个人知识库、企业知识库），背后多半是它：你的资料被切成块、转成"意思编码"存进去，提问时按意思找最相关的段落给AI参考。

普通数据库按字面精确查找，向量数据库按语义相似查找。前者找"含这个词的"，后者找"意思是这个的"。

不用懂技术细节。知道"AI知识库=文档切块+向量检索+大模型"这个结构，就够你判断一个知识库产品靠不靠谱了。