在学习 AI Agent、RAG（Retrieval-Augmented Generation）或者大模型应用开发时，你一定会频繁看到一个词——向量库（Vector Database）。

很多人第一次接触都会有这样的疑问：

• 向量库到底是什么？
• 为什么不用 MySQL、Redis？
• 它和 Embedding 又是什么关系？
• AI Agent 为什么几乎都会用到向量库？

今天就带大家系统地了解一下向量库。

---

一、什么是向量库？

一句话概括：

向量库是一种专门用于存储和检索向量（Embedding）的数据库。

这里的"向量"并不是数学课上的简单二维坐标，而是文本、图片、音频等数据经过 AI 模型编码后的数字表示。

例如：

文本：

"云南有哪些适合夏天旅游的地方？"

↓

Embedding模型

↓

[0.135,-0.214,0.875,...]

这一长串数字就是文本对应的向量（Vector）。

大模型并不能直接理解文字，它真正处理的是这些高维向量。

---

二、为什么需要向量？

很多人会问：

既然已经有 MySQL、PostgreSQL 了，为什么还要向量库？

原因在于：

传统数据库擅长的是"精确匹配"，而 AI 更需要"语义匹配"。

例如数据库中有一条记录：

大理古城

用户提问：

云南有哪些适合避暑的地方？

这句话里面根本没有"大理古城"四个字。

如果使用 SQL：

SELECT *
FROM scenic
WHERE name='云南适合避暑的地方';

显然查不到任何结果。

但是对于 AI 来说：

云南适合避暑

↓

Embedding

↓

Vector A

大理古城

↓

Embedding

↓

Vector B

由于两个向量在向量空间中的距离非常近，因此系统能够判断：

用户想找的很可能就是"大理古城"。

这种检索方式称为：

Semantic Search（语义搜索）

它也是 RAG 技术最核心的一部分。

---

三、向量库里到底存了什么？

很多人误以为向量库只保存向量。

实际上，一条完整的数据通常包含三部分：

ID

+

Vector

+

Metadata

例如：

ID：10001

Vector：
[0.124,0.985,...]

Metadata：
{
    "景点":"玉龙雪山",
    "城市":"丽江",
    "门票":100,
    "文本":"玉龙雪山是云南著名景区..."
}

其中：

• Vector：用于计算相似度

• Metadata：保存业务信息

• 原始文本：供大模型最终生成答案

因此向量库不仅仅是一个数字仓库，更像是 AI 的知识索引。

---

四、向量库是如何工作的？

整个流程可以分成四步。

第一步：建立知识库

例如有四篇旅游文档：

玉龙雪山

洱海

泸沽湖

西双版纳

首先利用 Embedding 模型，把它们转换为向量：

文档

↓

Embedding

↓

Vector

然后存入向量库。

---

第二步：用户提问

例如：

冬天云南哪里可以看雪？

同样经过 Embedding：

Question

↓

Question Vector

---

第三步：相似度检索

向量库会计算：

Question Vector

↓

与所有文档向量比较距离

例如：

玉龙雪山

0.03

★★★★★

洱海

0.58

★★

西双版纳

0.95

☆

距离越小，相似度越高。

最终返回最相关的几篇文档（Top-K）。

---

第四步：LLM生成答案

最后：

用户问题

+

Top-K文档

↓

LLM

↓

最终回答

这就是目前几乎所有 RAG 系统的标准流程。

---

五、向量库为什么比数据库快？

有人会想到：

那直接遍历所有向量计算距离不就行了吗？

理论上可以。

但是如果知识库里有：

100万

1000万

1亿

条数据

逐个计算距离几乎不可接受。

因此现代向量库都会采用：

ANN（Approximate Nearest Neighbor）

即：

近似最近邻搜索算法。

目前最流行的是：

• HNSW

• IVF

• PQ

• LSH

其中：

HNSW（Hierarchical Navigable Small World）

已经成为目前最主流的算法。

它能够在保证较高准确率的同时，大幅降低查询时间，因此 Milvus、Qdrant 等主流向量数据库都支持 HNSW。

---

六、常见向量库介绍

目前比较流行的向量数据库主要有以下几种。

向量库	特点	适用场景
Milvus	企业级、功能丰富、支持分布式	大规模 AI 项目
Qdrant	轻量、Rust 开发、部署简单	AI Agent、RAG
Weaviate	内置 AI 能力丰富	企业知识库
Chroma	Python 项目友好	学习、Demo
pgvector	PostgreSQL 插件	已有 PostgreSQL 项目
FAISS	Meta 开源向量检索库	本地实验、算法研究

其中：

• FAISS 更像一个向量检索引擎，而不是完整数据库。

• Milvus 功能最全面，适合生产环境。

• Qdrant 部署简单，是很多 AI Agent 项目的热门选择。

• pgvector 非常适合已有 PostgreSQL 的项目，可以避免额外维护一套数据库。

---

七、向量库在 AI Agent 中的位置

很多同学学习 AI Agent 时，会把 Web Search 和向量库混淆。

实际上，它们负责完全不同的工作。

用户问题
        │
        ▼
     Agent
        │
 ┌──────┴──────────────┐
 │                     │
 ▼                     ▼
Web Search         向量库
 │                     │
实时信息             历史知识
天气                 企业文档
新闻                 产品说明
交通                 PDF资料
价格                 FAQ

例如：

用户问：

帮我规划一份云南五日游。

Agent 可能会：

1. 去向量库查旅游攻略。

2. 去天气接口获取天气。

3. 去 Web Search 获取景区开放情况。

4. 最后交给 LLM 综合生成完整旅游规划。

因此：

Web Search 解决的是"最新信息"，向量库解决的是"长期知识"。

两者并不是替代关系，而是互补关系。

---

八、学习向量库应该掌握哪些知识？

如果你准备学习 AI Agent 或 RAG，我建议按照下面的顺序学习。

1. Embedding 原理

2. 向量是什么

3. 向量相似度（余弦相似度、欧氏距离、内积）

4. FAISS 基础使用

5. Milvus 或 Qdrant

6. RAG 工作流程

7. Spring AI / LangChain 集成向量库

8. AI Agent 中的知识库设计

掌握这些内容之后，你基本就能够独立搭建一个完整的知识库问答系统。

---

总结

向量库并不是用来替代传统数据库，而是 AI 时代新增的一种数据存储方式。

它最大的价值在于：

• 能够理解语义，而不是关键词；

• 可以快速找到最相似的内容；

• 是 RAG、AI Agent、企业知识库、智能客服等应用的核心基础设施。

随着大模型应用越来越普及，向量数据库已经成为 AI 开发者必须掌握的一项基础能力。

如果你正在学习 AI Agent 或 RAG，不妨先从 Embedding → 向量检索 → 向量数据库 → RAG 这一条路线开始，相信会对整个大模型应用架构有更加深入的理解。