当前位置：首页 > news >正文

什么是向量搜索Vector Search？

news 来源：原创 2025/5/7 11:09:19

🧠 向所有学习者致敬！

“学习不是装满一桶水，而是点燃一把火。” —— 叶芝

我的博客主页： https://lizheng.blog.csdn.net

🌐 欢迎点击加入AI人工智能社区！

🚀 让我们一起努力，共创AI未来！ 🚀

现在大家都在采用向量搜索来适应用户需求。顾名思义，向量搜索是通过一种称为向量的概念来查找和比较对象的技术。简单来说，它帮你发现对象之间的相似性，让你能在数据中找到复杂且符合上下文的关联。这项技术是AI搜索类应用的幕后功臣。

向量搜索是现代数据平台（如向量数据库）中的一项AI驱动的搜索功能，帮助用户构建更灵活的应用。你不再局限于基础的关键词搜索，而是能跨越任何数字媒体类型，找到语义相似的信息。

它的核心是众多机器学习系统之一，由各种规模和复杂度的大语言模型LLM驱动。这些模型可以通过数据库和传统平台获取，甚至被推送到边缘设备，在移动端运行。

本文将介绍向量搜索、相关术语、功能及其在现代数据库技术和人工智能AI创新中的应用。

什么是向量？

向量是一种数据结构，存储了一组数字。在这里，它指的是保存了数据集数字摘要的向量，可以看作是数据的指纹或摘要，正式名称叫嵌入。以下是一个简单的例子：

"红苹果": [-0.02511234 0.05473123 -0.01234567 ... 0.00456789 0.03345678 -0.00789012]

向量搜索的好处

向量搜索为数据库及其应用带来了一系列新能力。简而言之，它帮助用户在海量信息（即语料库）中找到更符合上下文的匹配结果。接近度的概念很重要——向量搜索通过统计方法将项目分组，展示它们的相似性或相关性。这不仅适用于文本，还适用于更多类型的数据，尽管我们的例子多为文本，以便与传统搜索系统对比。

向量搜索使用接近度或相似性搜索

这张图展示了向量搜索如何在3D空间中映射、查找和分组“相似”对象的可视化示例。

获取海量通用知识

向量搜索也是将AI工具引入应用的好方法，提供了传统搜索工具无法实现的灵活适应性。由于有许多公开的大语言模型（LLM），任何公司都可以采用它们作为应用搜索的基础。LLM存储了大量信息，搜索它们的结果能为你的应用带来指数级价值，而无需编写复杂代码。这是许多应用通过新功能升级的方式之一。

超级搜索 vs. 传统搜索

幸运的是，在更复杂的场景中，向量搜索也是一种更快的搜索方法。传统的关键词搜索系统可以优化以在文档中查找匹配文本，但一旦需要应用复杂的模糊匹配算法或极端的布尔谓词变通方案（比如多个WHERE子句），搜索就会变慢且更复杂。

在复杂环境中成功搜索所需的各种权衡，可以通过向量搜索避免。不过，这需要一个服务级API（如OpenAI）和足够的资源来连接应用和LLM。根据你选择的LLM，你会有不同的选择和限制。

传统搜索与向量搜索的区别

上述好处与两种搜索方法的技术差异有所重叠。本节我们将深入探讨这些差异的核心。

上下文与语义搜索

许多搜索系统使用关键词或短语搜索，优化为查找精确的文本匹配或使用关键词频率最高的文档。但问题是，这些方法可能缺乏上下文和灵活性。例如，搜索“树”可能永远无法匹配实际树种名称的数据，尽管这些数据非常相关。这种上下文匹配是语义搜索的一种形式——单词之间的上下文和关系很重要。

相似性

向量搜索不仅关乎语义关系。例如，在文本应用中，它超越了使用单词和短语，还能通过输入单词、句子、段落等，在更深层次上匹配语义和上下文，找到相似的文档。

相似性搜索也适用于图像。如果你要写一个比较两张图像的应用，你会怎么做？如果只是逐个像素比较，你只能找到颜色、分辨率、编码等完全相同的图像。但如果你能分析图像并生成内容向量嵌入，就可以比较它们并找到匹配项。在图像例子中，向量嵌入描述了每张图像的内容，然后让你比较它们——这是一种更强大的比较和发现“接近度”的方法。

向量搜索的工作原理

向量搜索通过创建和比较向量嵌入来工作。其原理是数据可以转换为数字向量表示（嵌入），并与其他以类似数字表示（使用LLM）编目的数据进行比较。

它将不同类型的数字内容（文本、音频、视频等）索引为神经网络能理解的通用语言。

LLM创建的模型保存了代表训练数据的向量。例如，维基百科的每个段落都可以被摘要并索引为向量。然后，用户可以提交自己的数据向量（通常通过嵌入过程生成）到向量搜索系统，以找到相似的段落。

虽然背后有很多复杂的工作，但这就是其核心。

构建向量搜索应用的三个步骤

构建或使用向量搜索应用包括三个阶段：

为自定义数据或查询创建嵌入
使用基于大语言模型（LLM）训练的向量引擎比较结果，找到与模型中数据语料库最匹配的语义数据
将LLM结果与自定义应用数据或数据库进行比较，找到更相关的匹配

第一步——为请求创建嵌入

嵌入在向量应用中就像数据的指纹，类似于稍后可以在索引中使用的键。一段数据（文本、图像、视频等）被发送到向量嵌入应用，转换为数字表示（向量）。这个向量嵌入代表了输入到嵌入应用的对象。幕后，一个大语言模型（LLM）引擎被用来创建嵌入，以便在下一步中从同一LLM中检索匹配项。

在数据库领域，表列中的文本可以通过嵌入引擎处理，向量对象可以保存在该行或JSON对象的属性中。每个文档或记录的嵌入被索引，以便在搜索请求期间进行内部比较。

假设有一个零售目录的网页应用，用户可以输入描述服装类型和颜色的文本来搜索库存。应用将用户请求发送到LLM进行向量嵌入处理。LLM用于计算向量表示以供下一步使用。“红苹果”可能变成如下所示的高维数组向量，以JSON存储：

{

"word": "红苹果",

"embedding": [0.72, -0.45, 0.88, 0.12, -0.65, 0.31, 0.55, 0.76]

}

这是一个过度简化的例子，但本质上，向量嵌入只是通过特定机器学习过程分析数据后生成的多维数组。嵌入有不同的类型和大小，基于各种LLM，但这超出了本文的范围。

第二步——从LLM中查找匹配项

假设LLM已经为其构建数据的所有部分创建了嵌入。如果LLM是用维基百科训练的，那么每个段落可能都有自己的嵌入。大量的嵌入！

搜索阶段是找到最接近匹配的嵌入的过程。向量搜索引擎可以接受现有嵌入，或从搜索查询动态创建一个。例如，它可以接受应用中的用户文本输入或数据库查询，并使用LLM查找模型中的相关内容。然后，它将最相关的匹配返回给应用。

继续零售例子，“蓝色T恤”的向量嵌入可以作为查找相似数据的键。应用将该向量发送到中央LLM，根据构建LLM时分析的文本描述或图像，找到最相似和语义相关的内容。

例如，你可能会得到一个包含五个文档的列表，它们的向量嵌入在相似性上匹配。如下所示，每个文档都有自己的向量表示。

{

"embeddings": [

{

"word": "红苹果",

"embedding": [0.72, -0.45, 0.88, 0.12, -0.65, 0.31, 0.55, 0.76]

{

"word": "烂苹果",

"embedding": [0.71, -0.42, 0.85, 0.15, -0.68, 0.29, 0.53, 0.78]

{

"word": "小柯基",

"embedding": [0.73, -0.46, 0.87, 0.11, -0.64, 0.33, 0.56, 0.74]

{

"word": "大别野",

"embedding": [0.75, -0.41, 0.89, 0.14, -0.67, 0.28, 0.54, 0.77]

{

"word": "云南滇红",

"embedding": [0.72, -0.44, 0.86, 0.13, -0.66, 0.30, 0.55, 0.76]

{

"word": "牛仔裤",

"embedding": [0.70, -0.43, 0.84, 0.16, -0.69, 0.27, 0.52, 0.79]

}

]

}

第三步——查找与自定义数据的匹配项

如果你只需要查找LLM中存储的信息匹配项，那么工作就完成了。但真正自适应的应用会希望从内部数据源（如企业数据库）中提取匹配和信息。

假设数据库中的文档或记录已经保存了向量嵌入，并且你从LLM中获得了匹配项。现在，你可以将这些匹配项发送到数据库的向量搜索功能中，找到相关的数据库文档。操作上，它就像另一个索引字段，但会给搜索结果带来更定性的感觉。

向量搜索如何找到匹配项？

向量搜索结合了三个概念：用户生成的数据（请求）、包含代表数据源模型的LLM语料库（模型），以及数据库中的自定义数据（自定义匹配）。向量搜索让这三个因素协同工作。

向量搜索支持什么？

只要能为任何类型的数据创建嵌入，并以相同方式（来自同一LLM）与其他嵌入进行比较，向量搜索就能找到相似性。

根据使用的LLM，结果可能会有很大差异，因为LLM的训练数据来源不同。例如，如果你想搜索相似的图像，但使用的LLM只包含古典文学，那么你会得到无法使用的结果（尽管如果是古典作家的图片，可能还有点希望）。

同样，如果你正在构建一个法律案例，而你的LLM只在Reddit数据上训练，那么你可能会陷入一个独特的场景，或许有一天能拍成一部好电影（当然，是在你被取消律师资格之后）。

这就是为什么确保支持你体验的LLM针对正确的向量搜索用例和你所需的信息非常重要。非常通用的LLM会有更多上下文，但针对你行业的专业LLM会为你的业务提供更准确和细致的信息。

大规模进行向量搜索

任何执行向量搜索的企业系统在生产环境中都必须能够扩展（参见我们的云数据复制指南）。这使得能够复制和分片索引的向量搜索系统尤为关键。

当系统需要搜索索引以查找匹配项时，工作负载可以分布在多个节点上。

同样，创建新嵌入并为其建立索引也将受益于资源隔离，这样其他应用功能不会受到影响。资源隔离意味着向量搜索相关功能拥有自己的内存、CPU和存储资源。

在数据库环境中，确保所有服务都正确分配资源非常重要，这样服务之间不会竞争。例如，表查询、实时分析、日志记录和数据存储服务都需要自己的空间，向量搜索服务也是如此。

分布式LLM访问API也很重要。由于许多其他服务可能调用嵌入，生成嵌入的API和系统也必须能够随着流量增长而扩展。对于基于云的LLM服务，确保在开始原型设计之前，它们的服务级别协议能够满足你的生产需求。

外部服务通常可以快速高效地扩展，但随着规模扩大，需要额外资金。在评估选项时，确保清楚了解价格滑动比例。

向量搜索的未来

大多数应用开发将由混合搜索场景驱动。单一的搜索或查询方法将无法满足未来的灵活性需求。混合搜索能力意味着你可以使用向量搜索获取语义匹配，同时使用基础SQL谓词甚至地理空间索引缩小结果范围。

将这些功能结合到单一的混合搜索体验中，将使开发者更容易从应用中提取最大灵活性。这包括将所有向量搜索功能扩展到边缘移动设备以及在云端和本地。

检索增强生成（RAG）将允许开发者在LLM之上添加更多自定义上下文感知。这将减少重新训练LLM的需求，同时为开发者提供保持嵌入和匹配最新的灵活性。

向量搜索还将通过一种可插拔知识模块定义，允许企业基于来自不同来源的LLM引入广泛的信息。想象一个维护电线杆的移动现场应用。语义图像搜索可能帮助识别电线杆物理结构的等等问题。

向量搜索常见问题

为什么向量搜索很重要？

向量搜索很重要，因为它提供了一种新颖的方法，利用最新的机器学习和AI技术，在数字数据之间找到相似性和上下文。

什么是向量搜索嵌入？

向量嵌入是保存了分析数据独特数字表示的向量。机器学习（ML）工具使用大语言模型（LLM）分析输入数据并生成描述数据的向量嵌入。然后，向量嵌入被保存在数据库或文件中供后续使用。

传统搜索和向量搜索有什么区别？

主要区别在于传统搜索优化为查找精确的关键词或短语匹配，而向量搜索旨在在更明确的语义上下文中找到相似概念。

向量搜索面临哪些挑战？

主要挑战是应用必须依赖大语言模型（LLM）来帮助创建嵌入和查找上下文匹配。