---
title: "Vector database là gì? Giải thích tìm kiếm tương đồng"
description: "Vector database lưu embedding và tìm nhanh các vector gần nhất với vector truy vấn. Index HNSW và IVFFlat đánh đổi recall lấy tốc độ ra sao, và khi nào cần đến nó."
url: https://broadrouter.com/vi/glossary/vector-database/
lang: vi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/vector-database/) (cập nhật ngày 2026-11-16).

# Vector database (cơ sở dữ liệu vector)

Cập nhật 2026-11-16

Vector database (cơ sở dữ liệu vector) là kho dữ liệu lưu các vector embedding, thường kèm văn bản gốc và metadata, và trả lời truy vấn láng giềng gần nhất: với một vector truy vấn, nó trả về các vector đã lưu giống nhất, thường đo bằng khoảng cách cosine, khoảng cách Euclid hoặc tích vô hướng.

Còn gọi là: vector database là gì, cơ sở dữ liệu vector, CSDL vector, kho vector, tìm kiếm vector, tìm kiếm tương đồng, vector store, vector DB, vector index, vector search engine, similarity search database

Vector database trả lời rất nhanh một câu hỏi: trong các mục đã lưu, mục nào có nghĩa gần với truy vấn này?

## Cách hoạt động

Mỗi bản ghi là một [embedding](https://broadrouter.com/vi/glossary/embeddings/), tức một danh sách số có độ dài cố định, cộng với metadata như văn bản gốc, ID tài liệu và ngày tháng. Khi truy vấn, bạn embed câu hỏi bằng cùng model và yêu cầu top k vector gần nhất.

“Gần nhất” cần một thước đo khoảng cách. pgvector, extension của Postgres, có ba toán tử: `<->` cho khoảng cách Euclid (L2), `<#>` cho tích vô hướng âm và `<=>` cho khoảng cách cosine. Hãy dùng thước đo mà model embedding của bạn được huấn luyện cho; OpenAI khuyên dùng độ tương đồng cosine cho vector của họ.

So một truy vấn với mọi vector đã lưu thì chính xác nhưng chậm khi quy mô lớn. Index láng giềng gần nhất xấp xỉ (ANN) tránh được việc đó:

| Index | Cách hoạt động | Đánh đổi (theo tài liệu pgvector) |
| --- | --- | --- |
| HNSW | Đồ thị lân cận nhiều tầng | Cân bằng tốc độ–recall tốt hơn, build chậm hơn, tốn nhiều bộ nhớ hơn |
| IVFFlat | Gom vector thành các danh sách | Build nhanh hơn, ít bộ nhớ hơn, truy vấn chậm hơn ở cùng mức recall |

Bài báo HNSW của Malkov và Yashunin mô tả một chồng đồ thị, nơi việc tìm kiếm bắt đầu ở các tầng trên thưa thớt, điều này “allows a logarithmic complexity scaling.” (Bản dịch: cho phép độ phức tạp tăng theo hàm logarit.) README của pgvector tóm gọn sự đánh đổi: index xấp xỉ “trades some recall for speed.” (Bản dịch: đổi một phần recall lấy tốc độ.)

## Vì sao quan trọng

-   **Nó là bộ truy xuất trong hầu hết hệ thống [RAG](https://broadrouter.com/vi/glossary/rag/).** Nếu kho bỏ sót đúng đoạn cần tìm, LLM sẽ không bao giờ thấy nó.
-   **Recall là một thiết lập, không phải điều hiển nhiên.** Tham số ANN thay đổi kết quả trả về. Hãy đo recall trên truy vấn thật.
-   **Lọc.** Truy vấn thật có thêm điều kiện như ngôn ngữ, khách hàng hay ngày tháng. Hãy kiểm tra bộ lọc được áp dụng trước khi xếp hạng, chứ không phải sau khi cắt top k làm rơi mất kết quả hợp lệ.

## Trên BroadNet Inference

BroadNet không host kho vector và tài liệu của BroadNet không liệt kê endpoint embedding. Một thiết lập điển hình gồm kho vector của riêng bạn, một model embedding từ nguồn khác, và một chat model của BroadNet viết câu trả lời từ các đoạn được truy xuất. Với kho tài liệu nhỏ, một [context window](https://broadrouter.com/vi/glossary/context-window/) lớn có thể thay thế kho vector; xem [long context hay RAG](https://broadrouter.com/vi/blog/long-context-vs-rag/). Với văn bản tiếng Ả Rập, [tìm kiếm RAG tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-rag-search/) giải thích vì sao đặt một index từ khóa cạnh index vector lại có ích.

## Lỗi thường gặp

-   Truy vấn bằng một model embedding khác với model đã dùng để lập index.
-   Chỉnh prompt cho LLM trong khi vấn đề thật là recall truy xuất thấp.

## Câu hỏi thường gặp

### Tôi có cần một vector database riêng không?

Không nhất thiết. Các extension như pgvector thêm cột vector và tìm kiếm tương đồng vào Postgres, nên vector có thể nằm cạnh dữ liệu khác của bạn. Kho chuyên dụng hữu ích khi quy mô rất lớn hoặc nhu cầu lọc phức tạp.

### Tìm kiếm vector có chính xác tuyệt đối không?

Có thể. Mặc định pgvector chạy tìm kiếm láng giềng gần nhất chính xác, cho recall hoàn hảo. Thêm index HNSW hoặc IVFFlat sẽ biến nó thành tìm kiếm xấp xỉ và nhanh hơn.

### Vector database có lưu văn bản của tôi không?

Thường thì bạn lưu đoạn văn gốc hoặc ID tài liệu cạnh mỗi vector, vì prompt cần văn bản và vector không phải cách đáng tin cậy để lấy lại văn bản. Dù vậy, Morris và cộng sự (2023) đã dựng lại chính xác 92% input test dài 32 token từ embedding của chúng, nên hãy bảo vệ vector như chính văn bản.

## Xem thêm

-   [Embedding (vector nhúng)](https://broadrouter.com/vi/glossary/embeddings/) (thuật ngữ)
-   [RAG (tạo sinh tăng cường truy xuất)](https://broadrouter.com/vi/glossary/rag/) (thuật ngữ)
-   [Context window (cửa sổ ngữ cảnh)](https://broadrouter.com/vi/glossary/context-window/) (thuật ngữ)
-   [Grounding (neo câu trả lời vào nguồn)](https://broadrouter.com/vi/glossary/grounding/) (thuật ngữ)
-   [Hybrid search (tìm kiếm lai)](https://broadrouter.com/vi/glossary/hybrid-search/) (thuật ngữ)
-   [BM25](https://broadrouter.com/vi/glossary/bm25/) (thuật ngữ)
-   [Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/) (hướng dẫn)
-   [Long context và RAG: khi 1M token thay được vector DB](https://broadrouter.com/vi/blog/long-context-vs-rag/) (bài viết)
-   [RAG tiếng Ả Rập: chuẩn hóa, chia chunk và truy xuất hiệu quả](https://broadrouter.com/vi/blog/arabic-rag-search/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-vector-database&utm_content=page-cta) ·

**Nguồn**

-   [pgvector, tìm kiếm tương đồng vector mã nguồn mở cho Postgres (README) (kiểm tra ngày 2026-11-16)](https://github.com/pgvector/pgvector)
-   [Malkov và Yashunin, đồ thị Hierarchical Navigable Small World (HNSW) (arXiv) (kiểm tra ngày 2026-11-16)](https://arxiv.org/abs/1603.09320)
-   [OpenAI, hướng dẫn vector embedding (độ tương đồng cosine) (kiểm tra ngày 2026-11-16)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Morris và cộng sự, Text Embeddings Reveal (Almost) As Much As Text, arXiv 2310.06816, EMNLP 2023 (kiểm tra ngày 2026-11-16)](https://arxiv.org/abs/2310.06816)
