【LLM应用开发】一文搞懂：LLM应用核心之向量数据库和向量查询

一、前言

• 向量数据库和向量查询是大语言模型（LLM）应用的核心之一。

二、什么是向量数据库？

1.🧠 一句话解释

• 向量数据库就是用来存放「文本、图片等非结构化数据」的“数学表达（向量）”的数据库；
• 它支持模糊语义搜索，而不是精确匹配。

2.✅ 关键概念：向量（Vector）

• 向量是一个数字数组，比如：

[0.23, -0.91, 0.15, ..., 0.07]

• 这些数字表示一段文本的语义特征，是用大模型（如 BERT, OpenAI embedding）生成的。

3.拓展：❓ “同一个问题，每次生成的向量表示会一样吗？”

✅ 简短回答：通常是一致的，只要你使用的是确定性（非随机）的 embedding 模型。
🧠 详细解释：
✅ 如果你用的是常见的嵌入模型，例如：

• OpenAI text-embedding-ada-002
• HuggingFace 的 sentence-transformers
• Cohere、百度 ERNIE、阿里 AliceMind 等
• 这些模型都是 确定性模型（deterministic）：【同一个输入 → 得到的向量始终相同】

⚠️ 有例外吗？：有，以下情况会导致向量不一致：

✅ 如何保证一致性？

• ✅ 使用专门的嵌入模型（如 text-embedding-ada-002）
• ✅ 保证输入文本一致（大小写、空格、标点）
• ✅ 控制版本和参数不变

🧪 示例验证（用 OpenAI）

from openai import OpenAIEmbeddings

emb = OpenAIEmbeddings()
v1 = emb.embed_query("What is vector search?")
v2 = emb.embed_query("What is vector search?")

print(v1 == v2)  # ✅ True（完全一致）

三、向量数据库能做什么？

• 传统数据库只能问：“这个名字等于 Alice 的记录在哪里？” ✅ 支持精确搜索！
• 向量数据库可以问：“哪些内容的意思跟 ‘如何学 AI’ 类似？” ✅ 支持语义搜索！

四、类比 / 举例

✅ 类比：图书馆 vs 图书推荐机器人

✅ 举个具体例子

• 1.假设你有 3 段知识内容：
  • a.“大模型是如何工作的？”
  • b.“向量数据库用于保存嵌入向量。”
  • c.“北京的天气很好。”
• 2.现在你问了一个问题：“什么是向量搜索？”
• 3.👇 系统怎么做：
• a.把你的问题用 OpenAI 的嵌入模型转成向量：

[0.12, -0.88, ..., 0.01]

• b.把这个向量在数据库中“找最近的”：
  • 发现 #2 “向量数据库…” 和它最相近 ✅
• 对 [步骤b] 的拓展：怎么理解或者衡量“最接近”？
  • 在向量数据库中，“最接近”通常指：两个向量之间的距离最短，或者方向最相似。
  • 常用的两种衡量方法：
    • 欧氏距离（L2）：看两个点之间的“直线距离”
    • 余弦相似度（cos）：看两个向量夹角有多小（方向是否一致）
  • 图像理解：
    • 余弦相似度 = 1：两个向量方向完全一致 → 高相似度
    • 距离越短：内容语义越接近
• c.返回这条相关知识作为答案参考！

✅ 图示理解（简化版）

          你提问：“向量搜索是啥？”
                     ↓
       → [0.12, 0.85, ..., -0.33]  ← 向量表示
                     ↓
         在向量数据库中找“最接近”的向量
                     ↓
     匹配结果 → “向量数据库用于保存嵌入向量。”

五、常用的向量数据库工具

六、总结类比表