跳到主要内容

1 / 4概念

Vector Search

向量检索把文本/图片/音频编码成 embedding,在向量空间里找“语义最近”的邻居。判断标准不是“用不用向量库”,而是召回率、延迟、过滤条件和 embedding 的生命周期。

1 概念​

1.1 一句话定义​

向量检索把对象映射为高维向量,用距离函数(cosine/L2/inner product)衡量相似度;为避开全量比对,通常建 ANN(近似最近邻)索引,用少量召回率换取延迟和成本。

1.2 它解决什么问题​

  • 关键词不匹配但语义相近:同义词、改写、跨语言。
  • RAG:把文档 chunk 编码,按问题检索上下文。
  • 推荐/去重:相似物品、相似用户、相似图片。
  • 多模态:文本、图像、音频统一到向量空间。

1.3 不属于本页的内容​

主题去哪
倒排索引/分词/BM25Full-Text Search / Ranking
embedding 模型训练/微调ML/模型页(暂无)
向量数据库的分布式存储Distributed Systems
关系库事务/索引Relational Databases

1.4 关键术语​

术语含义容易混淆的点
Embedding对象 → 定长向量不是“哈希”
距离度量cosine/L2/inner product归一化后 cosine 与 IP 相关
ANN近似最近邻不是“精确 top-k”
HNSW分层可导航小世界图不是“哈希表”
IVF倒排文件/聚类分桶不是“倒排索引”
PQ乘积量化压缩不是“剪枝”
Recall@k返回结果中真实近邻的比例不是“准确率”
Hybrid向量 + 关键词混合不是“多路召回”同义词