RAG检索增强生成(2)-向量数据库

向量数据库专门用于存储和处理向量数据。它的能够高效地存储和检索向量数据，使开发者能够进行高级的相似性搜索和分析。
在大模型时代，文本、图像、音频和其他非结构化数据，通常被嵌入到一定维度的向量空间，使用向量数据库能够高效地存储和检索这些数据。

1、常见向量数据库

（1）Milvus：一个开源的矢量数据库，支持高维向量存储和检索，并且具有良好的扩展性和性能；
（2）Faiss：Facebook AI Reasearch开发的库，专门用于高维向量的快速相似性搜索；
（3）Elasticsearch：主要用于文本搜索，也可以用于存储和检索嵌入向量。

2、向量数据库优势

（1）高效检索
（2）语义搜索
（3）可扩展性
（4）实时应用

3、向量数据库应用

（1）语义搜索
（2）推荐系统
（3）文档聚类

4、传统数据库与向量数据对比

对比项	传统数据库	向量数据库
数据模型	使用表格、文档或图形结构来存储数据	专注存储和检索向量表示，通常用于自然语言处理和机器学习任务
查询语言	SQL	查询语言针对向量搜索进行了优化，如FAISS库中的向量搜索
数据类型	支持多种数据类型，包括数字、文本、日期等	主要关注向量数据类型
应用领域	广泛应用于企业应用、电子商务、数据分析等领域	主要用于字让语言处理、图像处理、推荐系统等需要向量表示的领域

参考

• Chatbot从0到1（第2版）：对话式交互实践指南
• chatbot-0-to-1