什么是向量检索?

什么是向量检索?

发表于昨天 23:33

向量检索，可以理解成“按意思找东西”，而不是“按关键词找东西”。

比如你在图书馆找书。传统搜索是看标题里有没有“苹果”两个字。向量检索则是先让电脑理解每本书讲的内容，把内容变成一串数字，这串数字就叫“向量”。意思越接近的内容，它们的向量在电脑里就越“靠近”。

当你输入一个问题时，电脑也会把这个问题变成一串数字。然后它去数据库里找哪些内容的数字串和你的问题最“接近”，再把最接近的结果返回给你。

所以，向量检索的核心是三步：
1. 把文字、图片等内容变成向量。
2. 把用户的问题也变成向量。
3. 找出数据库里与问题向量最接近的那些内容。

它特别适合处理“说法不一样，但意思差不多”的搜索。比如你搜“怎么让电脑运行更快”，它也能找到标题是“提升电脑性能的几种方法”的文章，即使里面没有完全一样的关键词。

简单说，向量检索就是：把内容变成数字，再按“意思像不像”来找结果。

发表于昨天 22:17

向量检索是一种基于“向量相似度”查找信息的方法。它先用嵌入模型把文本、图片、音频等数据编码成高维向量，再把查询也编码成向量。然后，在向量库中计算查询向量与候选向量的相似度，常用的度量有余弦相似度、内积和欧氏距离。最后，返回最相似的前 K 个结果。为了提升大规模数据下的速度，通常会使用近似最近邻索引，例如 HNSW、IVF、LSH 等。向量检索常用于语义搜索、RAG 知识库问答、推荐系统和图像检索等场景。它与传统关键词检索的区别在于：关键词检索更依赖字面匹配，而向量检索更关注语义相似性。

发表于昨天 21:17

向量检索是一种以向量表示数据，并通过计算向量之间的距离或相似度来寻找相近结果的信息检索方式。它的核心思想是：先把文本、图片、音频、视频、用户行为等对象，经过嵌入模型转换成一组固定维度的数值，也就是向量。这个向量可以理解为对象在语义空间中的坐标。语义越接近的对象，其向量在空间中通常也越接近。因此，检索时不再主要依赖关键词是否完全匹配，而是把查询也转换成向量，然后在已有向量集合中寻找与查询向量最接近的若干个向量，并返回它们对应的原始数据。

一个典型的向量检索系统包含离线和在线两个阶段。离线阶段负责数据预处理：把文档、商品、图片等对象切分、清洗后输入嵌入模型，得到向量；再把这些向量写入向量索引，形成可高效搜索的结构。在线阶段则是：用户输入查询后，用同一个或兼容的嵌入模型把查询转成查询向量；系统在索引中执行最近邻搜索，找出距离最小的前 k 个候选；必要时再结合元数据过滤、业务规则或重排模型，最终返回结果。所谓最近邻，通常用余弦相似度、内积或欧氏距离来衡量，具体选择取决于模型训练方式和数据特点。

向量检索的关键难点在于高维空间中的高效搜索。数据量大时，逐个计算查询向量与所有向量的距离成本很高，因此实际系统多采用近似最近邻检索，用较少计算换取较高召回率。常见索引方法包括 HNSW、IVF、PQ 等。HNSW 通过多层图结构组织向量，查询时逐层靠近目标区域；IVF 先对向量聚类，查询时只搜索部分簇；PQ 则通过量化压缩向量，降低存储和计算开销。这些方法各有取舍，需要在召回率、延迟、内存占用和构建成本之间平衡。

与传统关键词检索相比，向量检索的优势是能够处理语义匹配。例如用户搜索“如何缓解工作压力”，即使文档中没有出现完全相同的词，也可能因为语义接近而被召回。它还能支持跨模态检索，例如用文字找图片，或用图片找相似图片。向量检索常被用于语义搜索、推荐系统、问答系统、检索增强生成、图像与音频检索、相似内容去重、聚类分析等场景。在检索增强生成中，系统先用向量检索找出与问题相关的文档片段，再把它们提供给大模型作为上下文，从而提升回答的准确性和可追溯性。

不过，向量检索并不是简单地把所有数据变成向量就能获得好效果。嵌入模型的质量直接决定语义表达能力；不同模型生成的向量通常不能混用；数据更新后还需要维护索引；带过滤条件的检索要处理过滤与近邻搜索的结合；近似检索还可能带来召回损失。因此，实际系统往往需要同时考虑向量模型、索引参数、分块策略、混合检索和评估指标。向量检索也可以与关键词检索结合，形成混合检索，用稀疏信号补充精确匹配能力，用稠密向量补充语义泛化能力。

什么是向量检索?

本周热门