来源	类型	截至
向量数据库 MDX	mdx	2026-05-29

向量数据库

3 秒看懂

向量数据库是面向高维向量（embedding）设计的新型数据基础设施，专用于存储、索引和快速检索“语义上最相似”的内容。它不依赖关键词匹配，而是通过向量间的数学距离（如余弦相似度、欧氏距离）衡量相似性。在大模型（LLM）检索增强生成（RAG）、推荐系统、图像/音频搜索、多模态理解等场景中，向量数据库充当外部非结构化知识的语义索引，直接决定检索延迟与召回质量，是 AI 应用从“模型智能”迈向“数据智能”的关键桥梁。

3 分钟产业解释

当文本、图像等非结构化数据被深度神经网络编码为一组高维浮点数（向量，通常数百至数千维）之后，传统关系型数据库的 B‑Tree、倒排索引等结构便无法表达“意思相近”这类模糊匹配。向量数据库将“语义相似”转化为“空间邻近”，借助**近似最近邻（ANN）**算法，在毫秒级完成海量向量检索。

从产业定位看，向量数据库处于 AI 基础设施的中间层：向上承载大模型应用（尤其 RAG），向下依赖内存、NVMe SSD、GPU 等异构硬件。其产品形态通常具备以下能力：

全托管/云原生：自动扩缩容、多租户隔离、跨可用区容灾。
混合搜索：结合标量过滤（时间、标签、用户 ID）与向量相似度，支持复杂查询。
实时更新：支持流式向量写入、动态索引增删，而非仅静态批量建库。
生态对接：LangChain、LlamaIndex、Dify 等 LLM 应用框架已内置主流向量数据库驱动，开发者一键接入。

2023 年后，向量数据库从利基技术跃升为 AI 栈核心组件，市场规模快速扩大。其产业角色正从“可选插件”演变为 LLM 的“默认外部记忆体”。

技术原理

底层模型

非结构化数据（文本、图片、音频）经嵌入模型（如 OpenAI text-embedding-3-small、BGE、CLIP）映射为固定维度浮点向量 v ∈ ℝ^d。嵌入模型的训练基于分布假设（Distributional Hypothesis）：语义相近的输入在高维空间中距离更近，表现为余弦相似度高或欧氏距离小。该性质构成了向量数据库一切后续操作的前提。

相似度度量

常用距离/相似度函数包括：

欧氏距离（L2）：d(v1, v2) = ||v1 − v2||，越小越相似。
内积（IP）：v1 ⋅ v2，越大越相似。
余弦相似度：(v1 ⋅ v2) / (||v1|| × ||v2||)，归一化后等价于内积。

工程实践中，多数系统预先对向量做 L2 归一化，将余弦相似度转为内积，再进一步转为欧氏距离，以适配底层索引结构优化。

ANN 索引核心思想

ANN（Approximate Nearest Neighbor）算法追求：以可接受的微量精度损失（例如召回率从 1.0 降至 0.95），换取检索速度千倍以上的提升。核心思想是通过空间划分、图连接或编码压缩，将搜索范围从“全集暴力扫描”缩小到“高概率包含近邻的候选集”。

主流索引结构：

哈希方法（LSH，Locality Sensitive Hashing）：利用一族哈希函数，使相近向量以高概率落入同一哈希桶，查询时仅扫描候选桶。结构简单，但内存效率与召回率中等，现多被替代。
量化方法（IVF + PQ）：先通过 K‑Means 将全库聚类，构建倒排文件（IVF），查询时只检索最近的 nprobe 个聚类；每个向量用乘积量化（Product Quantization）编码为短码，距离计算在压缩域进行。压缩率高，适合十亿级以上场景，Faiss 是该路线的代表性实现。
图方法（HNSW，Hierarchical Navigable Small World）：构建多层近似最近邻图，上层为“长程边”，下层为“局部边”。查询从顶层随机点出发，贪心向下探索。检索极快（亚毫秒），内存占用较高，增量插入时图结构可能退化，需要周期重建。代表实现：HNSWlib、部分 Milvus/Qdrant 引擎。
磁盘优化（DiskANN）：在图索引基础上引入向量量化（VQ）与 SSD 友好的数据布局，使大部分索引驻留 SSD，仅热点数据存于内存，适合百亿级、内存受限环境。查询比纯内存方案增加约 1‑3ms 延迟（2023 年 DiskANN 论文基准）。
树方法（Annoy、K‑D Tree 等）：早期使用，现多被图/量化方法取代。

混合检索典型流水线：

查询向量 q
  ├── 标量过滤：限定搜索域（如 user_id = 123）
  ├── 粗排（Coarse Quantization）：聚类定位 top‑nprobe 个候选簇
  ├── 精排（Refine）：在候选簇内用原始向量或残差向量计算真实距离
  └── 返回 Top‑K，可选重排序（多模态分数融合、Cross‑encoder 精排）

RAG 集成模式

用户问题 → LLM 嵌入模型 → 查询向量
           ↓
    向量数据库 → 相关文本块（Top‑K）
           ↓
    提示构建：问题 + 检索块 → LLM 生成最终回答

在该模式下，向量数据库充当高速语义知识库，弥补 LLM 的知识截止日限制与幻觉问题。其延迟直接进入端到端用户体验的关键路径。

关键参数

选型与运维需关注以下指标：

召回率（Recall@K）：ANN 返回 Top‑K 与暴力搜索 Top‑K 的重合比例，典型生产环境要求 0.95‑0.99。
延迟（P50/P99 延迟）：单次查询响应时间，交互场景要求 P99 < 100ms，实时推荐常需 < 10ms。
吞吐（QPS）：每秒查询数，取决于索引类型、并发设计、硬件规格。
索引构建/插入速率：向量写入并建索引的速度，反映实时性能力。部分图索引（HNSW）全量构建后增量插入效率显著下降。
压缩比：压缩后存储占用与原 float32 存储之比，影响内存/磁盘成本。乘积量化可实现 4×∼16× 压缩（Jégou, TPAMI 2011）。
大规模下质量衰减：十亿级数据时召回率是否断崖下跌，DiskANN、IVF+PQ 等对此有专门优化。
资源占用：内存、SSD、GPU 显存开销，直接决定总持有成本（TCO）。

注意：各产品在 ANN‑Benchmarks 等基准上的表现受数据集、维度、查询分布、参数调优影响显著，具体数值须以最新官方基准或第三方实测为准。公开资料未见跨产品的统一权威基准报告。

技术路线

当前市场已分化为三大技术路线：

路线一：独立向量数据库（Native Vector Database）

代表：Pinecone、Weaviate、Zilliz（Milvus）、Qdrant。

特点：以向量为第一公民设计存储引擎、索引结构与查询优化器。原生支持分布式水平分片、流式写入、混合搜索、多模态重排序。提供云托管或开源部署选项，配套监控与数据生命周期管理工具。

优势：功能最深，大规模场景下性能/召回可预期性最强。

劣势：引入额外基础设施成本与运维复杂度；数据生态与现有事务型数据库分离。

路线二：传统数据库向量扩展（Vector‑Enabled DB）

代表：PostgreSQL（pgvector 插件）、Elasticsearch、Redis、MongoDB。

特点：在已有数据库内核上附加向量数据类型与 ANN 索引（常为简化版 IVF 或 HNSW），复用原有 SQL/查询语法与生态。

优势：零额外部署，开发与 DBA 学习成本低；适用小规模（百万级向量）或标量‑向量联合查询场景。

劣势：分布式向量分片、动态索引维护能力弱于独立方案；十亿级场景下性能衰减通常更明显。根据公开技术文档与社区反馈，pgvector 的 HNSW 实现不支持增量索引局部重建，大规模写入后查询延迟可能波动（pgvector 0.7.0 版本，2024 年状态，来源为 GitHub 仓库 README 与 issue 讨论）。

路线三：专用 ANN 算法库（Library）

代表：Faiss（Meta）、HNSWlib、ScaNN（Google）。

特点：纯计算库，提供极致优化的索引构建与检索 API，不附带数据库功能（持久化、复制、SQL、多用户），需开发者自行封装。

优势：算法前沿、定制灵活、计算效率最高。

劣势：不提供生产级数据管理能力；无动态删改、无一致性保证。

对比总结（定性标定）

维度	独立向量数据库	传统库向量扩展	专用 ANN 库
向量索引深度	深（HNSW/IVF/DiskANN/融合）	浅（简化版 IVF/HNSW）	深（最新算法跟进最快）
分布式	原生支持	依赖主体库机制	无
动态数据	流式增删、实时可见	部分支持、有限调优	不支持
生态集成	LangChain/LlamaIndex 深度集成	通过驱动适配	需自行封装
运维成本	高（独立部署/云服务费）	低（利用现有实例）	极高（需自建服务）

注：上表为行业经验推断，非基于严格基准测试的量化结果。

上游

向量数据库的上游供给主要包括两类：

嵌入模型/服务：OpenAI（text-embedding-3-small/large）、Cohere（Embed API）、Hugging Face（BGE、GTE 系列）等提供的云端 embedding 接口，以及企业自部署开源模型。嵌入质量（语义表达能力、多语言覆盖、维度效率）直接决定向量数据库检索召回率的上限。
硬件与云基础设施：GPU/CPU 用于离线或实时嵌入生成；大内存与 NVMe SSD 支撑索引存储与检索；Kubernetes、对象存储、消息队列等构成云原生分布式部署基座。根据公开资料，AWS、Azure、GCP 均提供 GPU 实例（如 p4d、NCv3）与全闪存块存储，是独立向量数据库厂商的默认部署环境来源（云厂商官网，2024 年 12 月访问状态）。

下游

向量数据库的下游消费场景高度分层：

LLM 应用框架：LangChain、LlamaIndex、Dify、Haystack 等通过统一接口抽象，实现对多款向量数据库的调用，成为流量的“总闸口”。根据各框架文档（2024 年 12 月查阅），LangChain 已支持 20 余种向量存储后端。
垂直行业场景：
- 电商：个性化搜索与推荐（基于用户行为 embedding 的商品相似检索）。
- 医疗：文献/影像语义检索、相似病例匹配。
- 自动驾驶：场景库相似帧检索（基于 BEV 特征向量）。
- 金融：反欺诈交易图嵌入检索、合规文档去重。
- 企业 IT：内部知识库、客服系统（RAG）、代码语义搜索。
传统企业数字化转型：制造业图纸检索、法律文书去重、媒体内容相似检测等。

下游需求驱动力本质是：非结构化数据的爆发增长与 LLM 对高质量外部知识的刚需之间形成的结构性缺口。

受益公司

以下为生态内各形态代表，排列不构成任何优先级或投资建议：

独立向量数据库厂商：

Pinecone：商业全托管向量数据库，以开发者体验与零运维著称。公开资料未见其最新营收、估值数据（检索截至 2024 年 12 月）。
Weaviate：开源（BSD 协议），内置 GraphQL 原生接口与混合搜索，侧重多模态，提供云服务。公开资料未见财务数据。
Qdrant：Rust 实现、高性能，社区活跃，提供 Qdrant Cloud 托管服务。公开资料未见财务数据。
Zilliz：开源 Milvus 的商业公司，定位大规模分布式、云原生（存算分离架构），面向金融、生物医药等行业。公开资料未见其最新融资轮次与估值。
Chroma：轻量级开源嵌入数据库（Apache 2.0），以零配置、本地运行降低 AI 应用入门门槛。公开资料未见财务数据。

传统数据库/搜索厂商扩展向量能力：

Elastic（Elasticsearch）：从 8.0 版本内置向量搜索（HNSW），复用其倒排索引与聚合生态。
Redis（Redis Stack）：RedisSearch 模块支持向量相似度（FLAT/HNSW），利用内存优势实现低延迟。
PostgreSQL：pgvector 插件推广迅速，2024 年下载量增长迅猛（具体数字公开资料未见），成为中小规模场景的常用选项。
阿里云 Tair、腾讯云 VectorDB：云厂商自研或基于开源定制的向量数据库服务。

云厂商集成服务：

AWS（Amazon Kendra 语义搜索、OpenSearch Service 的向量搜索）、Azure（AI Search）、GCP（Vertex AI Matching Engine）均在其数据/AI 平台中提供向量搜索能力，多与自身模型生态绑定。

公开资料未见以上任何公司的精确市场份额、营收对比或第三方权威排名（检索截至 2024 年 12 月），故不予置入。

市场规模

由于检索接口限制，以下仅基于行业趋势的定性描述，不含具体金额数字：

增长驱动力：2023 年 ChatGPT 引爆的 RAG 模式使向量搜索从实验性技术跃升为“新默认架构”，企业对语义检索的需求从头部互联网公司扩散至传统行业。开源生态降低接入门槛，向量数据库成为 AI 项目预算中的新支出项。
供给分层：市场分为纯向量数据库创业公司、传统数据库厂商、云厂商三层竞争。公开资料未检索到 Gartner、IDC 或 Forrester 针对“向量数据库”的专项市场规模估算报告（截至 2024 年 12 月），该品类或仍被归类于“非关系型数据库”或“AI 基础设施”的大类统计中，未独立披露。
趋势判断：基于行业从业者共识，向量功能正从“独立品类”向“数据库标配”演化，该趋势可能重塑市场边界与规模度量口径（来源：《What is a vector database?》Pinecone 博客，2023；《Vector databases are the wrong abstraction》Gradient Flow，2024）。

读者注意：本节缺乏可引用的量化数据，请勿据此做任何投资或项目决策。

玩家对比

以下不形成推荐或排序，仅基于公开技术文档整理各产品的架构差异点：

存算分离 vs. 存算一体：Milvus 自 2.0 起采用存算分离（计算节点、索引节点、存储节点独立），支持按需扩缩；Qdrant、Weaviate 为存算一体单进程（亦可集群分片），运维相对简单。
一致性模型：Pinecone 强调强一致性读（通过写入确认机制）；部分开源方案在分片复制下为最终一致性，需业务容忍短暂分歧。
索引可扩展性：Zilliz（Milvus）与 Weaviate 支持多索引类型混用；pgvector 核心依赖 HNSW，索引类型较为单一。
权限与多租户：Pinecone、Weaviate、Zilliz Cloud 提供 API Key/项目级隔离；开源版 Milvus 在 2.3 版本引入 RBAC（来源：Milvus 2.3 Release Notes，2023）。

公开资料未见针对所有厂商的标准化的第三方性能基准测试（如同等硬件、同等数据集、同等参数下的全维度对比），因此不提供量化得分表格。

风险

技术路线不确定风险：ANN 算法更迭快，今天的领先索引结构可能被新方法取代（如基于学习型索引的方法近年有所关注）。厂商需持续投入研发以维持性能优势。
开源商品化风险：基础向量搜索能力已通过 Faiss、HNSWlib 等开源项目高度商品化，入门壁垒低。独立向量数据库厂商的价值若无法在分布式、运维、安全与生态上拉开差距，可能被开源方案或云厂商免费功能替代。
云厂商降维打击：若 AWS、Azure 等云厂商将向量搜索作为数据库或对象存储的零成本附加功能提供，独立厂商可能面临巨大价格压力。该风险已在 NoSQL、消息队列等历次基础设施品类竞争中被验证。
性能与成本平衡：维持 95%+ 召回与毫秒延迟往往意味着高内存占用或复杂的分布式结构，TCO 敏感场景下客户可能被迫降低检索质量要求。
产业泡沫：2023‑2024 年的资本与舆论热度可能催生过度预期。部分企业可能将向量数据库视为万能 AI 入口，而忽视数据治理、嵌入策略等前置环节，导致项目效果不达预期。
合规与数据主权：跨境托管向量数据可能涉及数据本地化法规（如 GDPR、中国《数据安全法》），成为企业客户采用海外云托管服务的障碍。

误读纠偏

误读 1：“向量数据库就是加了 ANN 索引的常规数据库，与 Elasticsearch 的向量扩展没有本质区别。”

纠正：表面功能相似，但根本差异在于系统设计的向量优先。独立向量数据库在动态索引维护、近似召回的可预期性调优、混合标量‑向量过滤的执行计划优化、跨分片合并策略等方面进行了内核级设计。传统数据库“附加”的向量搜索，在大规模动态数据的场景下，性能波动与召回衰减通常更显著（社区压力测试报告零星、非标准对照，无法引用为权威证据，但已成为工程界经验共识）。

误读 2：“只要接入向量数据库，RAG 应用准确率就有保证。”

纠正：向量数据库仅负责按距离返回最相似向量。语义相似 ≠ 答案正确。若嵌入模型未针对业务领域微调，或文本分块（chunking）策略不当，检索结果可能包含大量无关内容。RAG 的最终精度由嵌入模型、分块切分、检索后重排序（reranking）与提示词工程等连锁环节共同决定，向量数据库是必要条件，非充分条件。

误读 3：“选一个最快的 ANN 算法库就行，数据库层面的能力不重要。”

纠正：纯 ANN 库解决的是“单次计算最优”问题，而生产环境需要的是“持续稳定服务”。后者要求数据持久化、故障恢复、副本同步、访问控制、监控告警、动态扩缩等数据库级能力。自建封装的工作量长期可能超过数据库的授权或服务成本，且迭代维护风险由使用方承担。

跟踪指标

如欲持续观察该产业发展态势，可关注以下指标与信源：

技术基准：ANN‑Benchmarks 社区仓库（GitHub）的索引性能排名更新，关注不同数据集下 P99 延迟、召回率、构建时间的代际变化。
开源采用度：GitHub Star、下载量、Issue 活跃度（Milvus、Qdrant、Weaviate、Chroma、pgvector）；PyPI/npm 下载统计（客户端库）。
框架集成情况：LangChain、LlamaIndex、Haystack 的“支持向量数据库列表”变化及默认推荐是否有更替。
招聘信号：LinkedIn/拉勾上“向量数据库”相关岗位数量与薪资变化，反映企业投入方向。
学术/工业前沿：NeurIPS、SIGMOD、VLDB 等顶会中向量检索相关论文，尤其关注“学习型索引”与“磁盘/内存混合”的新方案。
监管动态：各国数据本地化法规的后续细则，影响云托管向量数据库的跨境部署方案。

信源

本文内容综合以下公开来源，所有无精确数字之处或未找到权威依据之处均已标注“公开资料未见”：

Jégou, H., Douze, M., & Schmid, C. (2011). Product Quantization for Nearest Neighbor Search. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI).
Malkov, Y. A., & Yashunin, D. A. (2020). Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs. ACM Transactions on Information Systems (TOIS).
Subramanya, S. J., et al. (2019). DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node. NeurIPS.
Faiss 官方仓库：https://github.com/facebookresearch/faiss
Milvus 官方文档：https://milvus.io/docs
Qdrant 官方文档：https://qdrant.tech/documentation/
Weaviate 官方文档：https://weaviate.io/developers/weaviate
pgvector GitHub 仓库：https://github.com/pgvector/pgvector
Pinecone 博客：What is a Vector Database? (2023)
Ben Lorica et al., “Vector databases are the wrong abstraction,” Gradient Flow (2024)
Elasticsearch 向量搜索官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/dense-vector.html
Redis 向量相似度搜索文档：https://redis.io/docs/latest/develop/interact/search-and-query/advanced-concepts/vectors/
LangChain 文档 (v0.2+)：https://python.langchain.com/docs/integrations/vectorstores/
AWS OpenSearch Serverless 向量引擎公告 (2023)：https://aws.amazon.com/blogs/big-data/
Azure AI Search 向量功能更新 (2024)：https://azure.microsoft.com/en-us/updates/

（全文约 9,200 字）

三步设好你的观察台

选 1-3 个想观察的人或赛道

看一份样张

设置一次异动告警

向量数据库