数据库技术经历了从关系型到非关系型，再到向量数据库的持续演化。

• 关系型数据库（如 MySQL、Oracle）以表格形式存储结构化数据，通过 SQL 操作，具备 ACID 事务特性，适合复杂查询与强一致性场景（例如金融交易）。
• NoSQL 采用键值、文档、列族等灵活模型，牺牲部分一致性以换取更好的扩展性与性能，适用于高并发与大数据场景。
  两类系统通常在实际工程中协同工作，各取所长。

向量数据库专门用于存储、管理与检索高维向量，其检索目的是相似性搜索而非精确匹配。
示例：将“适合新手的相机”转为向量后，可在向量空间中召回语义相近的条目（如“入门级相机”或“初学者机型”），从而实现语义检索与推荐。

原始数据（文本、图像、音频等）通过嵌入模型映射为高维向量。例如，一段文本可能被转换为 768 维的向量。语义相近的输入在向量空间中距离更近，这是语义检索成立的基础。

• 点（Point）：最小存储单位，通常包含 ID、向量与元数据（payload）。
• 集合（Collection）：点的容器，类似关系数据库中的表。
  示例用法场景：将人事政策按片段存入集合，每个片段作为一个点并附带来源、更新时间等元信息。

逐一暴力比对所有向量效率低。常见索引方法包括：

• HNSW（图索引）：当前主流，检索速度优异。
• IVF（倒排文件 + 聚类）：先定位近似桶再精搜。
• FLAT：暴力检索，精确但耗时。

相似度常用余弦相似度（cosine）或欧氏距离（L2）。

虽然通用数据库（例如 PostgreSQL + pgvector）也能存储向量，但在百万至十亿级数据规模与高维向量场景下，专用向量数据库在检索速度、索引优化与分布式扩展方面具有明显优势。
相当于：通用卡车可搬运家具，但专业搬运公司提供更高效的设备与流程。

• 检索增强生成（RAG）：存储文档片段向量，查询时快速召回相关上下文供 LLM 使用。
• 智能推荐：基于用户历史行为与偏好进行相似内容推荐。
• 图像/视频检索：实现以图搜图或内容相似检索。
• 语义搜索：理解查询意图，超越关键词匹配。

常见向量数据库与特点：

• Milvus：开源、分布式、功能全面，适合大规模部署。
• Chroma：轻量、易上手，适合快速原型与中小规模使用。
• Pinecone：托管云服务，无需自维护，适合希望降低运维成本的场景。
• PGVector：PostgreSQL 插件，适合已有 PG 生态的场景或小规模需求。

选型时需平衡性能、易用性、扩展性与成本。入门可优先尝试 Chroma 或 PGVector；面对海量数据时优先考虑 Milvus 或托管服务（如 Pinecone）。

向量数据库专注于相似性检索，而传统关系型数据库在事务、复杂聚合与强一致性场景仍不可替代。实际系统常采用混合架构：关系型数据库负责事务与结构化数据，向量数据库负责语义检索与近似查询，两者互为补充。

向量数据库是 AI 时代处理非结构化数据（文本、图像、音频等）的重要基础设施，其价值在于能够理解并检索语义相似的内容。 在工程实践中，建议将向量数据库与传统数据库结合使用，以满足既要处理事务与复杂查询又要提供语义检索的混合需求。