什么是向量库？它与大模型的关系详解
一、向量库是什么？
向量库（Vector Database）是一种用于存储和检索高维向量数据的数据库系统。它的核心功能是根据“相似度”进行搜索，而不是传统的关键词匹配。这些向量通常由大语言模型（LLM）或嵌入模型将文本、图像等数据转化而来。
向量是模型将信息编码成的一组高维数字表示。例如，一段文本可能被转换为一个包含 768 个维度的向量。这种表示方式能够捕捉语义特征，使得“意思相近”的内容在向量空间中距离更近。
二、向量库的作用与典型应用场景
- 语义搜索：用户输入问题，系统找到语义最相似的文本片段进行回答。
- 智能问答系统（RAG 架构）：与大模型结合，实现基于知识库的准确回答。
- 推荐系统：通过用户行为向量匹配内容向量，提升个性化推荐效果。
- 图像/视频检索：将视觉内容转化为向量，进行相似图片或片段搜索。
主流向量库工具包括 FAISS（Meta）、Milvus（Zilliz）、Pinecone、Qdrant、Weaviate 等。
三、向量库与大模型的关系
向量库与大模型通常配合使用，共同构建一个具备“记忆”能力的智能系统，常见流程如下：
- 大模型将输入数据转化为向量（即 Embedding）
- 向量库存储所有内容的向量化表示
- 用户输入问题 → 模型将问题编码为向量
- 在向量库中检索出相似内容
- 模型使用这些检索结果来生成回答
这种架构被称为 RAG（Retrieval-Augmented Generation），是当前企业知识问答系统、智能客服、AI 搜索引擎中的主流方案。
四、向量库 ≠ 模型，但两者互补
- 向量库 = 存储“知识”的外脑
- 模型 = 负责“理解和生成”的大脑
模型没有长期记忆，而向量库提供了低成本、高效可控的“记忆扩展”，两者结合才能实现强大的 AI 能力。
五、一句话总结
向量库是大模型“查找知识”的关键组件，通过相似度搜索，让模型具备了更强的记忆力与上下文感知能力，是构建高质量 AI 系统不可或缺的一部分。
