RAGvsVector Database

RAG

RAG 是当前最实用的 LLM 增强技术：先从知识库中检索相关文档，再将检索结果作为上下文喂给 LLM 生成回答。这大幅减少了幻觉问题，让 AI 的回答有据可查。

Vector Database

Vector Database 专门用于存储 Embedding 向量并支持高效的相似度搜索。Pinecone、Weaviate、Milvus 是最流行的向量数据库，也有 pgvector 等传统数据库的向量扩展。

RAG

• 解决 LLM 幻觉问题的最实用方案
• 不需要微调模型，知识库更新即时生效
• 核心流程：索引 → 检索 → 生成

Vector Database

• RAG 系统的核心存储组件
• 支持 ANN（近似最近邻）高效检索
• 专用 vs 扩展：Pinecone vs pgvector 各有优劣

RAG

通过先检索外部知识库中的相关信息再将其作为上下文输入大语言模型来生成更准确回答的技术架构

Vector Database

专门用于存储高维向量数据并支持高效相似度检索的数据库系统

RAG

• 企业知识库问答系统
• 文档智能搜索和摘要
• 客服机器人的知识增强

Vector Database

• RAG 系统的向量存储和检索
• 大规模语义搜索服务
• 推荐系统的特征存储

RAG

RAG 由 Meta 在 2020 年提出，已成为企业 AI 应用的标准架构。核心流程是：将文档切分为 chunk → 用 Embedding 模型转为向量 → 存入向量数据库 → 用户提问时检索相关 chunk → 将 chunk 作为上下文喂给 LLM 生成回答。RAG 的优势在于不需要微调模型、知识可实时更新、回答可溯源。挑战包括：检索质量直接影响生成质量、chunk 切分策略影响召回率、以及多跳推理场景下的检索不足。

Vector Database

Vector Database 是 RAG 和语义搜索的基础设施，专门优化了高维向量的存储和相似度检索。核心技术是 ANN（Approximate Nearest Neighbor）算法，如 HNSW 和 IVF，能在毫秒级完成百万级向量的相似度搜索。市场上有两类方案：专用向量数据库（Pinecone、Weaviate、Milvus、Qdrant）和传统数据库的向量扩展（pgvector、SQLite-vec）。选择取决于规模和复杂度——小规模用 pgvector 就够，大规模需要专用方案。