AI 中向量数据库入门指南：从基础概念到实战应用

1次阅读

共计 1571 个字符，预计需要花费 4 分钟才能阅读完成。

传统数据库（如 MySQL、PostgreSQL）擅长处理结构化数据，但在 AI 场景中，我们经常需要处理高维向量数据（例如图像特征、文本嵌入）。这类数据的特点是维度高（通常 128 维以上）、距离计算复杂（如余弦相似度），传统数据库的 B 树索引完全失效，导致查询性能极差。

传统数据库的局限性 ：
无法高效执行近似最近邻搜索（ANN）
高维数据导致索引膨胀，存储和查询成本飙升
缺乏原生向量距离计算支持
向量数据库的优势 ：
专为高维向量优化，支持毫秒级相似性搜索
内置 IVF、HNSW 等专用索引算法
横向扩展能力强，适合海量向量存储

数据库	优点	缺点	适用场景
FAISS	高性能，Facebook 开源	无持久化，需自行管理内存	小规模、纯内存计算
Milvus	支持分布式，生态完善	部署复杂	中大规模生产环境
Pinecone	全托管服务，开箱即用	成本高，灵活性低	云原生快速验证

核心思想 ：通过聚类将向量空间划分为多个单元（Voronoi 图），搜索时只需比较目标单元内的向量
适用场景 ：数据分布均匀，适合中等维度（<1000 维）
参数调优 ：nlist（单元数量）越大精度越高但速度越慢

核心思想 ：构建多层图结构，高层用于快速导航，底层保留细节
适用场景 ：超高维度（>1000 维），对精度要求高
参数调优 ：efConstruction 控制建图质量，efSearch 影响查询速度

import numpy as np
from pymilvus import MilvusClient

# 1. 连接数据库
client = MilvusClient(uri="http://localhost:19530")

# 2. 创建集合（表）schema = {
    "collection_name": "image_vectors",
    "dimension": 512,  # 向量维度
    "metric_type": "COSINE"  # 相似度计算方式
}
client.create_collection(schema)

# 3. 插入数据
vectors = np.random.rand(1000, 512).tolist()  # 生成随机向量
client.insert(collection_name="image_vectors", data=vectors)

# 4. 相似性搜索
query_vector = np.random.rand(1, 512).tolist()[0]
results = client.search(
    collection_name="image_vectors",
    data=[query_vector],
    limit=5  # 返回最相似的 5 个结果
)
print(f"Top 5 matches: {results}")