Semantic SearchvsVector Database

Semantic Search

Semantic Search 理解查询的含义而非字面文字，能找到语义相关但关键词不同的结果。搜「怎么让代码跑得更快」能找到「性能优化」的文章，这就是语义搜索的威力。

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。

Semantic Search

• 理解意图而非匹配关键词
• 基于 Embedding 的向量相似度计算
• Google 搜索已大量使用语义搜索技术

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

Semantic Search

基于语义理解和向量相似度而非关键词匹配的智能信息检索技术

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

Semantic Search

• 企业内部知识库搜索
• 电商产品的智能搜索
• RAG 系统的检索层

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

Semantic Search

Semantic Search 通过 Embedding 技术将查询和文档都转换为语义向量，用向量相似度替代传统的关键词匹配。这解决了传统搜索的「词汇鸿沟」问题——用户的表述方式和文档的用词可能完全不同，但语义是相同的。在实践中，最佳方案通常是混合搜索：结合语义搜索（召回语义相关结果）和关键词搜索（精确匹配专有名词），再用 Reranking 模型重排序。

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。