向量数据库有什么不同，企业应该怎么选择？

AI浪潮席卷而来，向量数据库也随之站到了聚光灯下。简单来说，向量数据库就是专门为处理和检索向量数据而生的系统，它的核心优势在于高效处理大规模复杂数据、支持高维数据、支持复杂查询，并且扩展性相当友好。根据Gartner的预测，到2026年底，大约30%的企业会在自己的大语言模型架构中引入向量数据库，用来应对那些复杂多变、节奏飞快的业务数据。

向量数据库能处理各种实体——图像、文档、视频等等——然后将它们映射到高维向量空间中的坐标点。再通过类似HNSW（分层可导航小世界图）这样的索引结构，实现快速的内容搜索。底层的基本原理其实并不复杂，这里就不再展开赘述了。

对比传统数据库

向量数据库的设计思路，是把数据存储、管理和表示在高维向量空间中。它可以把复杂的数据对象（比如文档、单词、句子、图像、视频、音频，甚至字符）统统转化为高维空间中的向量，让生成式AI模型能够对它们执行各种AI任务和操作。

主要类型

市面上支持向量搜索的数据库选择非常多，大体可以分成这么几类：

1. 专用的向量数据库
   ：原生支持各种向量运算，比如点积、余弦相似度。这类系统专为高维数据设计，能扛住海量查询请求，快速完成向量间的相似性搜索。

2. 支持向量的SQL数据库
   （比如pgvector）：SQL数据库通过扩展向量支持，提供了一种将向量数据整合到现有存储体系的方式。不过，这类数据库在构建索引和处理大量向量数据时表现并不理想，更适合向量数据量较小（少于10万条）且向量功能只是应用锦上添花的场景。相反，如果向量是应用的核心，或者对扩展性有硬性要求，专用向量数据库会是更稳妥的选择。

3. 支持向量的NoSQL数据库
   （比如Redis）：NoSQL数据库新增的向量支持功能还比较初级，尚未经过大规模实践的充分验证。

4. 全文搜索数据库
   （比如Elasticsearch）：能支持全面的文本检索和高级分析。但在向量相似性搜索和高维数据处理方面，和专用向量数据库相比就力不从心了。这类系统通常需要搭配其他工具才能实现语义搜索，因为它主要依赖的是倒排索引而非向量索引。

如何选择

面对这么多选项，很难有一个通用的评价标准，关键还是看自身应用场景与数据库的匹配度。除了向量维度大小、索引类型、性能指标这些基础因素，还有几个维度值得关注：

• 混合搜索还是关键词搜索？
  关键词搜索加上向量搜索的混合方案往往能产出最佳结果。每个向量数据库供应商都意识到了这一点，并纷纷推出了自己的定制混合搜索方案。

• 本地部署还是云原生？
  很多供应商喜欢大力推销“云原生”，好像基础设施是全世界最大的痛点。但从长远看，本地部署可能在经济性上更有优势，因此也更实际。

• 开源还是完全托管？
  大多数供应商基于开源代码库构建，先展示底层方法，再通过完全托管的SaaS服务变&现——把部署和基础设施部分转化为商业收入。当然，很多产品也支持自行托管，但这需要额外的人力和内部技能。

编程语言

如今，响应快、扩展性强的数据库大多用Golang或Rust这类现代语言编写。在专门构建数据库的供应商中，唯一用Ja va构建的是Vespa。Chroma目前是基于ClickHouse的Python/TypeScript包装器，底层是C++构建的OLAP数据库。有趣的是，Pinecone和Lance（LanceDB的底层存储格式）最初都用C++编写，后来都用Rust彻底重写了一遍。

发布时间

Vespa最早把向量相似性搜索和当年主流的BM25关键词搜索结合起来。Wea viate紧随其后，在2018年底推出了开源专用向量搜索数据库产品。到了2019年，Milvus（也是开源）发布，这个领域的竞争开始变得更加激烈。注意，时间线中的Zilliz没有单独列出，因为它是Milvus的商业母公司，提供基于Milvus构建的完全托管云方案。2021年，Vald、Qdrant和Pinecone三家新选手进入战场。Elasticsearch、Redis和PostgreSQL这些老牌数据库在此之前一直缺席，直到2022年及之后才开始提供向量搜索功能，比不少人想象的要晚得多。

开源或者闭源

Zilliz是一个闭源的全托管商业解决方案，但它完全建立在Milvus之上，本质上就是Milvus的母公司。Pinecone则是完全闭源的。

部署方式

数据库供应商提供的典型托管方式包括自托管（本地）和托管/云原生，这两种都遵循客户端-服务器架构。还有一种较新的选项是嵌入式模式——数据库本身以无服务器方式与应用程序代码紧密耦合。目前只有Chroma和LanceDB可以按嵌入式数据库的方式使用。

索引算法

大多数供应商采用混合向量搜索方法，以各种方式结合关键词和向量搜索。不过，底层具体的向量索引差异很大。绝大多数数据库供应商选择定制HNSW（分层可导航小世界图）实现。将向量索引保存到磁盘正迅速成为一个关键目标，这样才能处理比内存更大的数据集。2019年NeurIPS上关于DiskANN的论文表明，它有潜力成为搜索数十亿数据点时最快的磁盘索引算法。Milvus、Wea viate和LanceDB等数据库已经实现或正在积极实现自己的DiskANN版本，这个方向值得关注。

最后

通常技术团队习惯沿用现有技术栈，对新技术的引入比较谨慎，这完全可以理解。尤其是在前期对技术和业务需求匹配度不够明确的时候，选择通用数据库是一个比较稳妥的策略。等业务进一步发展，有了更大的项目收益和更高的性能要求，再考虑专用向量数据库。从行业长期实践来看，开源数据库往往能形成更活跃的社区和更健康的生态，是值得优先考虑的方向——毕竟在数据库领域，最成功的商业模式已经被反复验证：先把代码开源，围绕技术建立热情社区，再通过托管服务或云产品将数据库商业化。