---
title: "什么是向量数据库？相似度检索原理详解 | BroadRouter"
description: "向量数据库存储嵌入向量，并快速找出与查询向量最接近的结果。HNSW 和 IVFFlat 索引如何用召回率换速度，以及什么时候需要向量数据库。"
url: https://broadrouter.com/zh/glossary/vector-database/
lang: zh-Hans
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。 [阅读英文原文](https://broadrouter.com/glossary/vector-database/) (2026-11-16 更新).

# 向量数据库（vector database）

更新于 2026-11-16

向量数据库是存放嵌入向量的数据存储，通常连同原文和元数据一起保存，并回答最近邻查询：给定查询向量，返回与之最相似的已存向量，一般按余弦距离、欧氏距离或内积计算。

又称： 向量库、向量存储、向量检索、向量搜索引擎、相似度检索、向量索引、vector database、vector store、vector DB、vector index、vector search engine、similarity search database

向量数据库能很快地回答一个问题：哪些已存的内容在含义上与这个查询相近？

## 工作原理

每条记录是一个[嵌入向量](https://broadrouter.com/zh/glossary/embeddings/)，即一串定长的数字，外加元数据，例如原文、文档 ID 和日期。查询时，用同一个模型把问题转成向量，再取最近的 top k 个向量。

“最近”需要一种距离度量。Postgres 扩展 pgvector 提供三个运算符：`<->` 表示欧氏（L2）距离，`<#>` 表示负内积，`<=>` 表示余弦距离。请使用你的嵌入模型训练时所用的那一种；OpenAI 建议对其向量使用余弦相似度。

把查询与每个已存向量逐一比较虽然精确，但规模一大就很慢。近似最近邻（ANN）索引可以避免这一点：

| 索引 | 原理 | 取舍（据 pgvector 文档） |
| --- | --- | --- |
| HNSW | 分层的邻近图 | 速度与召回率的平衡更好，构建更慢，占用内存更多 |
| IVFFlat | 把向量分组到多个列表中 | 构建更快，内存更少，同等召回率下查询更慢 |

Malkov 和 Yashunin 的 HNSW 论文描述了一叠图：检索从稀疏的上层开始，这 “allows a logarithmic complexity scaling.”（译文：使复杂度呈对数级增长。）pgvector 的 README 概括了其中的交换：近似索引 “trades some recall for speed.”（译文：用一部分召回率换取速度。）

## 为什么重要

-   **它是大多数 [RAG](https://broadrouter.com/zh/glossary/rag/) 系统里的检索器。** 如果向量库漏掉了正确的文本块，LLM 就永远看不到它。
-   **召回率是可调的设置，而不是理所当然。** ANN 参数会改变返回哪些结果。请用真实查询测量召回率。
-   **过滤。** 实际查询会附加语言、客户或日期等条件。要确认过滤是在排序之前生效，而不是在 top-k 截断之后，否则会丢掉本应命中的结果。

## 在 BroadNet Inference 上

BroadNet 不提供向量存储，其文档也没有列出嵌入端点。典型做法是：自建向量库，从其他来源获取嵌入模型，再由 BroadNet 的对话模型根据检索到的文本块写出答案。语料较小时，大的[上下文窗口](https://broadrouter.com/zh/glossary/context-window/)可以替代向量库；参见[长上下文与 RAG 对比](https://broadrouter.com/zh/blog/long-context-vs-rag/)。对于阿拉伯语文本，[阿拉伯语 RAG 检索](https://broadrouter.com/zh/blog/arabic-rag-search/)解释了为什么在向量索引旁边再加一个关键词索引会有帮助。

## 常见错误

-   查询时用的嵌入模型与建索引时用的不同。
-   真正的问题是检索召回率低，却去调 LLM 的提示词。

## 常见问题

### 一定要用专门的向量数据库吗？

不一定。pgvector 这类扩展给 Postgres 加上了向量列和相似度检索，向量可以和其他数据放在一起。数据规模非常大或过滤需求很重时，专门的向量库更有帮助。

### 向量检索是精确的吗？

可以是。pgvector 默认执行精确最近邻检索，召回率是完美的。加上 HNSW 或 IVFFlat 索引后，检索变为近似的，但更快。

### 向量数据库会存我的原文吗？

通常你会在每个向量旁边存原始文本块或文档 ID，因为提示词需要原文，而向量并不是可靠的还原手段。不过，Morris 等人（2023）仅凭嵌入向量就完整还原了 92% 的 32 token 测试输入，所以要像保护原文一样保护向量。

## 另请参阅

-   [嵌入向量（embeddings）](https://broadrouter.com/zh/glossary/embeddings/) (术语)
-   [RAG（检索增强生成）](https://broadrouter.com/zh/glossary/rag/) (术语)
-   [上下文窗口（context window）](https://broadrouter.com/zh/glossary/context-window/) (术语)
-   [事实依据（grounding）](https://broadrouter.com/zh/glossary/grounding/) (术语)
-   [混合检索（hybrid search）](https://broadrouter.com/zh/glossary/hybrid-search/) (术语)
-   [BM25](https://broadrouter.com/zh/glossary/bm25/) (术语)
-   [用 OpenAI Python SDK 调用 BroadNet Inference](https://broadrouter.com/zh/guides/openai-python-sdk/) (指南)
-   [长上下文还是 RAG：百万 token 什么时候能取代向量数据库](https://broadrouter.com/zh/blog/long-context-vs-rag/) (文章)
-   [阿拉伯语 RAG：真正有效的规范化、分块与检索](https://broadrouter.com/zh/blog/arabic-rag-search/) (文章)

用你的真实业务负载试一试。 新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [pgvector，Postgres 的开源向量相似度检索（README）（2026-11-16 查阅）](https://github.com/pgvector/pgvector)
-   [Malkov 与 Yashunin，分层可导航小世界图（HNSW）（arXiv）（2026-11-16 查阅）](https://arxiv.org/abs/1603.09320)
-   [OpenAI，向量嵌入指南（余弦相似度）（2026-11-16 查阅）](https://developers.openai.com/api/docs/guides/embeddings)
-   [Morris 等，Text Embeddings Reveal (Almost) As Much As Text，arXiv 2310.06816，EMNLP 2023（2026-11-16 查阅）](https://arxiv.org/abs/2310.06816)
