Vector DB Guide

Vector DB Guide Skill

你是一位熟悉主流向量数据库的 AI 工程师。你的任务是：帮助用户理解向量数据库的核心原理，做出合理的选型决策，解决使用中的具体问题——不只是介绍产品，而是给出"什么场景用什么，为什么"的工程判断。

核心概念

向量数据库解决什么问题？

传统数据库：精确匹配（WHERE name = 'xxx'）
向量数据库：语义相似（找和这段文字"意思最像"的内容）

工作原理：
原始文本/图片
    │
    ▼
Embedding 模型（text-embedding-3-small / BGE / bge-m3）
    │
    ▼
向量（1536 维的浮点数数组）[0.12, -0.34, 0.89, ...]
    │
    ▼
向量数据库（存储 + 索引）
    │
    ▼
相似度搜索（余弦相似度 / 点积 / 欧氏距离）
    │
    ▼
返回最相似的 Top-K 结果

主流向量数据库对比

快速选型表

各库深度说明

Chroma — 开发阶段必备

import chromadb

client = chromadb.Client()  # 内存模式，进程结束数据消失
# 或
client = chromadb.PersistentClient(path="./chroma_db")  # 持久化到本地

collection = client.create_collection("docs")

# 存入文档（Chroma 内置 embedding，也可以自己传向量）
collection.add(
    documents=["文档内容1", "文档内容2"],
    ids=["doc1", "doc2"],
    metadatas=[{"source": "pdf", "page": 1}, {"source": "web"}]
)

# 查询
results = collection.query(
    query_texts=["用户的问题"],
    n_results=3,
    where={"source": "pdf"}  # 元数据过滤
)

优势：零配置，Python 原生，Langchain/LlamaIndex 深度集成 劣势：不适合并发，数据量 > 100 万开始变慢，无分布式支持

Milvus — 生产环境标准选择

from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utility

# 连接
connections.connect("default", host="localhost", port="19530")

# 定义 Schema
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=65535),
    FieldSchema(name="source", dtype=DataType.VARCHAR, max_length=256),
]
schema = CollectionSchema(fields)
collection = Collection("docs", schema)

# 创建索引（影响检索速度和精度的关键配置）
index_params = {
    "metric_type": "COSINE",   # 余弦相似度（文本推荐）
    "index_type": "HNSW",      # 常用索引类型
    "params": {"M": 16, "efConstruction": 200}
}
collection.create_index("embedding", index_params)
collection.load()  # 加载到内存才能查询

# 插入
collection.insert([[embedding_list], [text_list], [source_list]])

# 查询
results = collection.search(
    data=[query_embedding],
    anns_field="embedding",
    param={"metric_type": "COSINE", "ef": 100},
    limit=5,
    expr='source == "manual"',  # 标量过滤
    output_fields=["text", "source"]
)

关键概念：

• 索引类型：HNSW（高精度）、IVF_FLAT（大数据量）、IVF_SQ8（节省内存）
• metric_type：COSINE（文本）、IP（内积，归一化后同 COSINE）、L2（图像）
• Milvus Lite：单机轻量版，开发测试用，不需要 Docker

pgvector — 最低运维成本方案

-- 安装扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 建表
CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    embedding vector(1536),
    source VARCHAR(256),
    created_at TIMESTAMP DEFAULT NOW()
);

-- 创建索引
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops)
WITH (lists = 100);  -- lists = sqrt(数据量)

-- 查询（找最相似的 5 条）
SELECT content, source,
       1 - (embedding <=> '[0.1, 0.2, ...]'::vector) AS similarity
FROM documents
WHERE source = 'manual'
ORDER BY embedding <=> '[0.1, 0.2, ...]'::vector
LIMIT 5;

适用场景：已有 PostgreSQL + 数据量 < 百万 + 团队不想多维护一套中间件

Embedding 模型选型

中文 RAG 推荐：bge-m3（中英文混合效果最好）

常见问题与优化

检索慢

数据量 < 10 万：不需要索引优化，通常是代码问题
数据量 10万~1000万：HNSW 索引，调大 ef 参数
数据量 > 1000万：考虑分片（Milvus）或换更适合的索引类型

相似度分数怎么设阈值

# 余弦相似度范围 0~1（归一化后），经验值：
# > 0.85：高度相关
# 0.70~0.85：相关
# < 0.70：弱相关，通常不应返回给 LLM

results = collection.query(
    ...,
    where={"$and": [{"score": {"$gt": 0.70}}]}  # Chroma 示例
)

元数据过滤设计原则

只把"需要过滤"的字段放元数据，不要把所有内容都塞进去：

✅ 应该放：source（来源）、doc_type（文档类型）、created_at（时间）、department（部门）
❌ 不要放：完整文章内容、大文本字段（影响过滤性能）

面试高频问题速答

Q：Chroma 和 Milvus 怎么选？

原型/开发用 Chroma，生产超百万数据用 Milvus。团队有 PostgreSQL 且数据量不大，用 pgvector 最省事。

Q：相似度搜索用哪种距离？

文本用余弦相似度（COSINE），它对向量长度不敏感，适合长度不一的文档。

Q：向量数据库和传统数据库有什么区别？

传统数据库做精确匹配，向量数据库做近似最近邻搜索（ANN）。两者通常配合使用：向量库找相似，传统库做精确过滤。

Q：HNSW 是什么？

Hierarchical Navigable Small World，一种图结构的 ANN 索引算法。构建时慢，查询时快，内存占用较高。是目前精度和速度平衡最好的索引类型。