前言

在建立私有 RAG 知识库时最常碰到的痛点是：关键词搜索无法命中语义相近却用词不同的文档。

假设知识库中保存了下面三句话：

登录状态保存在 Redis 中。订单支付成功后会发送通知。程序使用 Docker 容器部署。

从使用者搜索来看，

使用者会话存在哪里？话说回来，

原文没有出现“使用者会话”。但“使用者会话”和“登录状态”在语义上非常接近。传统关键词搜索往往返回空结果，而向量检索可以找出第一句话。

一、从 Vector 开始理解

Vector本质上是一组按固定顺序排列的数字。例如：

在 RAG 中，我们使用 Embedding 模型把文本转成向量：

“使用者会话存在哪里？” → Embedding → 

这组数字不是加密。也不是手工标签，而是文本在语义空间中的坐标。其实，Embedding 会让意义相近的句子在空间里靠得更近。意义差异大的句子则距离更远。

维度指的是向量中数字的个数。说到例如，

是一个三维向量。实际模型生成的向量通常有几百甚至几千维，维度由模型决定。说起来，所有同一字段的向量必须保持相同维度；更换模型后往往需要重新生成全部文档的向量——这也是很多团队在迁移模型时感到头疼的地方。说起来，

二、什么是 Vector Store

Vector Store负责：

1. 保存 Embedding 生成的向量；
2. 保存对应的原始文本；其实，
3. 保存来源、分类、权限等元数据；
4. 建立高效索引；
5. 根据查询向量返回最近邻记录。

典型记录示例这方面。

{
说到"text"，"登录状态保存在 Redis 中。","vector":,"metadata": {
"source": "auth.md"。"docType": "FADR"
}
}

• text: 最终返回给大模型或使用者的正文；
• vector: 用于计算相似度；
• metadata: 支持过滤、展示来源等业务需求。

Embedding 与 Vector Store 的分工

三、Vector Store 和 向量数据库 的区别

• 向量数据库：强调底层存储、索引结构、水平 和运维能力。
• Vector Store：强调统一的写入/检索 API，方便上层业务调用。

L​angChain 等框架把不同底层实现抽象为统一的 VectorStore,从而让代码只需改动配置即可切换 Pinecone、Milvus 等产品。

四、它和传统数据库有什么不同？

五、相似度检索如何工作

. 写入阶段

原始文档 ↓ 文本分块 ↓ Embedding 模型生成文档向量 ↓ 正文/向量/元数据写入 Vector Store
from langchain.text_splitter import RecursiveCharacterTextSplitter
texts =
chunks = RecursiveCharacterTextSplitter.split_documents
vectors = embed_model.embed_documents
store.add_texts

. 查询阶段

使用者问题 ↓ 同一个 Embedding 模型生成查询向량 ↓ Vector Store 比较查询与文档 向량 ↓ 按相似度排序 ↓ 返回 Top‑K 条结果
const query = "使用者会话存在哪里？"，const qVec = await embedModel.embedQuery;const results = await vectorStore.similaritySearch;


 必须使用同一个 Embedding 模型及兼容配置 。

 Top‑K 大小要平衡召回率与上下文成本 。K 太小可能漏掉关键信息，K 太大则增加 LLM 上下文消耗。怎么说呢，


常见距离度量 


**余弦相似度** ：关注方向是否一致。适用于大多数嵌入模型，

**欧氏距离** ：计算两点直线距离，适合归一化后的数值。

**点积** ：对稀疏或已归一化的数据效果好。

 建议： 使用所选嵌入模型官方推荐的距离类型，而非自行猜测。

什么是 Top‑K?
text
Top‑1 : 返回最相关的一条记录
Top‑5 : 返回最相关的五条记录
说到Top‑10。返回最相关的十条记录


K 越大召回越全，但噪声也随之增加，影响后续 LLM 推理成本。

只想快速学习 & 本地实验 → Chroma 或 LanceDB
已有 PostgreSQL → pgvector
需要独立服务且强过滤 → Qdrant 或 Weaviate
要处理大规模分布式检索 → Milvus
想省去运维直接上云 → Pinecone
预算充足且追求 SLA → Pinecone / Managed Milvus
其它特殊需求请参考官方 benchmark。