AI专业术语
Vector Database
向量数据库 · 专门给 AI 用的搜索引擎
RAG数据库
VECT
- 定义
- Vector Database是AI领域的专业术语。Vector Database 专门用于存储 Embedding 向量并支持高效的相似度搜索。
最后更新：2026-03-18
什么是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 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
Vector Database详解
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。
Vector Database的应用场景
正式定义
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
应用场景
- 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
常见误区
- 向量数据库不是传统数据库的替代品，两者互补
- 不是所有 RAG 都需要专用向量数据库，小规模用 pgvector 就够
- 向量数据库的性能不只取决于算法，索引策略和硬件配置同样关键
实际案例
📌 Pinecone 的规模
Pinecone 作为最流行的托管向量数据库，支持存储数十亿向量，P99 查询延迟 < 50ms，被 Notion、Shopify 等公司用于生产环境的 RAG 系统。
Vector Database的参考来源
关于Vector Database的常见问题
- 向量数据库和传统数据库有什么区别
- 传统数据库按精确值查询，向量数据库按语义相似度检索，核心操作是近似最近邻搜索（ANN）。
- 主流向量数据库有哪些
- 专用方案有 Pinecone、Milvus、Qdrant、Weaviate，传统数据库扩展有 pgvector、Elasticsearch kNN。