向量数据库是专门存储文本向量并做相似度检索的数据库，是检索增强生成（RAG）的底层设施，决定智能体能否快速找到相关资料。
本文由北京国信诚商互联网科技有限公司整理 · 更新于 2026-10-31基本定义
向量数据库（Vector Database）把文本、图片等内容经由嵌入模型转换为一组数字（向量），并按语义相似度建立索引。查询时把问题也转成向量，检索出语义最接近的若干条内容，作为大模型回答的依据。
传统数据库按关键词精确匹配，向量数据库按「意思像不像」匹配——用户问「商城怎么上线」，它能召回标题为「交付流程」的文档。
核心能力
评估一个向量库，通常看以下几项。
- 索引类型：支持近似最近邻检索，兼顾速度与召回率
- 元数据过滤：按部门、时间、权限等条件缩小检索范围
- 增量更新：文档新增与修改后能即时生效
- 混合检索：向量检索与关键词检索结合，提升准确率
- 权限隔离：多租户场景下数据不越权
常见误区
不少项目把效果问题归咎于向量库，实际原因常在别处。
- 切片不当：段落被切碎，语义断裂导致召回不准
- 不做重排：只靠向量召回，相关性排序粗糙
- 文档质量差：原始资料本身过时或矛盾
- 忽视权限：检索结果把不该看的内容带回给用户
选型建议
中小企业不必一上来就引入独立向量数据库：知识量在数万条以内时，支持向量扩展的关系型数据库通常够用；当文档量级、并发或多租户隔离要求提升时，再迁移到专用向量库。选型时优先看运维成本与现有技术栈的兼容性，而非参数榜单。
常见问题
向量数据库和传统数据库能一起用吗？
可以，常见做法是用关系库存业务数据与元数据，向量库负责语义检索，结果再按 ID 关联。
知识库一定要用向量检索吗？
不一定。结构化强、术语明确的资料可先用关键词 + 规则检索，混合检索往往比纯向量更稳。
Embedding模型换了要重建库吗？
要。不同模型生成的向量空间不兼容，更换嵌入模型必须重新向量化全部数据。