Vector Database

向量数据库存储 Embedding：文本（或图像、或音频）的数值表示，其中相似的含义被映射到空间中相近的点。你不是去匹配精确关键词，而是用同样的方式嵌入用户的查询，并向数据库索取最接近的向量。这就是相似性搜索，正是它让系统在文档实际写着"订阅终止流程"时仍能找到"我怎么取消我的套餐"。

在 RAG 流水线中，这是检索层。你的答案质量在很大程度上取决于它：好的 Embedding 和好的搜索会返回正确的文本块喂给模型，差的则喂进垃圾，而模型会自信地把这些垃圾总结出来。这就是为什么决定 RAG 项目成败的通常是检索，而不是模型。

这里是供应商会跳过的部分：你常常并不需要专用的向量数据库。如果你的语料库很小（数千而非数百万个文本块），在你本就运行的 Postgres 上加一个向量扩展（pgvector）更简单、更便宜，也少运维一个系统。如果你的搜索主要由关键词驱动，朴素的全文搜索甚至可能直接胜过向量搜索。只有当规模、延迟或高吞吐量下的混合搜索确实证明其合理时，才动用专用向量数据库，而不是因为它出现在架构图上。

我们在 人工智能 下有意选择足够枯燥的方案，因为每多一个系统，就多一件要在凌晨三点保持运转的事情。