向量数据库与语义检索

为什么搜手机发烫能找到讲设备过热的文档？本文解释嵌入向量的含义、语义检索与关键词检索各自的主场，说明为什么成熟系统往往两者并用，以及向量数据库在规模、过滤与更新上的工程价值。

把意思变成坐标

嵌入模型可以把一段文字转换成一串固定长度的数字，也就是向量。关键在于，语义相近的文本转换后，在多维空间中的位置也相近。于是比较两段文字像不像这个模糊的问题，就变成了计算两个向量有多近这个可以高效计算的问题。

这就是语义检索的基础。它不要求字面相同，因此搜手机发烫能找到通篇没出现发烫二字、只说设备温度过高的文档。对术语不统一、口语化表达多的资料库，这个差别非常关键，而这正是传统关键词匹配做不到的地方。

关键词与语义，各有主场

关键词检索的优势是精确可控：搜产品型号、错误码、人名，一个字符都不该错配，这类场景语义检索反而可能因为意思相近而召回错误条目。语义检索的优势是容错与泛化，适合表达模糊、同义词多的自然语言提问。

因此成熟的检索系统往往两者并用：先用关键词做硬性过滤，再用语义排序；或者两路召回后合并打分。这种混合检索在实践中通常比任何单一方案稳定。如果只能选一个，先看你的用户习惯怎么提问；用户说话越随意，语义检索的权重就该越高。

为什么需要专门的数据库

向量多了之后，逐一比对会慢到无法接受。向量数据库通过近似最近邻索引，在牺牲极小精度的前提下把查找速度提升几个数量级，同时支持按标签过滤、批量写入、增量删除等数据库该有的能力，这几项听起来朴素，却是不同产品拉开差距的地方。

选型时值得关注几点：数据规模与内存占用、是否支持混合过滤、更新是否方便、以及能否同时存原始文本以便回溯。对多数团队来说，先用成熟方案跑通流程，再谈性能优化也不迟。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。