【AI 大模型】RAG 检索增强生成 ⑤ ( 向量数据库 | 向量数据库 索引结构和搜索算法 | 常见 向量数据库 对比 | 安装并使用 向量数据库 chromadb 案例 )
文章目录
- 一、向量数据库
- 1、向量数据库引入
- 2、向量数据库简介
- 3、向量数据库 索引结构和搜索算法
- 4、向量数据库 应用场景
- 5、传统数据库 与 向量数据库 对比
- 二、常见 向量数据库 对比
- 三、向量数据库 案例
- 1、安装 向量数据库 chromadb
- 2、核心要点 解析
- ① 创建数据库实例
- ② 创建数据库表
- ③ 向 向量数据库表 中 插入文本向量
- ④ 从 向量数据库表 中查询 相似数据
- 3、完整代码示例
上一篇博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 中 , 讲解了 向量相似度 的计算方式 , 使用 OpenAI 的 text-embedding-ada-002 文本向量模型 生成了 一组文字的 文本向量 , 分别使用 余弦距离 和 欧式距离 计算了 文本向量 之间的相似度 ;
一、向量数据库
1、向量数据库引入
在上一篇博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 中 , 使用 向量模型 将文本转为 向量 , 如 : OpenAI 的 text-embedding-ada-002 文本向量模型 , 可以将文本转为 1536 维的浮点数向量值 ;
OpenAI 的 text-embedding-ada-002 文本向量模型 可以 跨语言进行相似度计算 , 如 : 计算 英文 和 中文 的相似度 ;
然后 , 通过 循环遍历 对比 目标文本向量 和 每个文本向量 的 余弦距离 和 欧式距离 , 得到一个距离最短的文本 , 这样对比计算量非常大 ;
如何快速检索出某个 文本 含义相似的 目标文本 , 这里引入一个新的工具 " 向量数据库 " ;
2、向量数据库简介
向量数据库 ( Vector Database ) 是专门用于 存储、检索 和 管理 高维向量数据的 数据库系统 , 其核心能力是 快速 执行 向量相似性搜索 ;
向量数据库 可以 快速搜索到 与 目标文本 相似的 文本内容 ;
向量数据库 存储 :
- 向量存储 : 将 将 文本、图片、音视频 等数据 通过 机器学习模型 转换为 高维向量 , 然后 存储到 " 向量数据库 " 中 ;
- 向量压缩 : 向量数据库 中 使用了 向量压缩技术 , 可 节省 向量 存储空间 ;
向量相似度计算 : 在 向量数据库 中的 向量 , 通过 计算向量距离 衡量相似性 , 如 : 欧氏距离、余弦距离 ;
向量数据库查询 : 使用 ANN 近似最近邻搜索 算法 在 高维向量空间 中快速查找与给定 向量点 最接近的 向量 , 该算法可以 在 保证一定检索精度的前提下 , 显著 提高了搜索效率 , 特别适用于处理大规模、高维数据集 ;
3、向量数据库 索引结构和搜索算法
| 技术类型 | 代表算法/结构 | 特点 | 算法原理 | 时间复杂度 | 优缺点 | 适用场景 |
|---|---|---|---|---|---|---|
| 树结构 | KD-Tree, Ball-Tree | 基于空间划分，结构直观，支持精确搜索 | 递归划分空间（KD-Tree按坐标轴划分，Ball-Tree按超球体划分） | O(N log N) | ✅ 低维精确搜索快 ❌ 高维性能急剧下降（维度灾难） | 维度<20的结构化数据检索 |
| 哈希方法 | LSH (局部敏感哈希) | 牺牲精度换速度，哈希碰撞可控 | 设计哈希函数使相似向量映射到相同桶的概率更高 | O(N) | ✅ 速度快、内存低 ❌ 精度与哈希函数设计强相关 | 快速去重、近似搜索初筛 |
| 图索引 | HNSW, NSG | 小世界网络优化，层级化搜索路径 | 构建多层概率图结构，通过邻居跳转实现高效近邻搜索 | O(log N) | ✅ 高召回率、支持动态更新 ❌ 内存消耗较大 | 大规模高维数据（图像/文本） |
| 量化方法 | PQ (乘积量化), SQ (标量量化) | 有损压缩，向量维度解耦计算 | 将高维向量分解为子空间并分别量化，降低存储和计算复杂度 | O(N) | ✅ 内存占用降低80%+ ❌ 量化误差导致精度损失 | 十亿级向量内存优化场景 |
| 倒排索引 | IVF (倒排文件系统) | 粗粒度筛选+细粒度比较 | 先聚类（如K-means），搜索时仅扫描最近簇的向量 | O(√N) | ✅ 搜索速度提升显著 ❌ 需预训练聚类中心 | 配合PQ量化加速搜索 |
| 混合结构 | DiskANN | 磁盘-内存分级存储，减少IO瓶颈 | 基于SSD优化存储，结合图索引与量化技术 | O(log N) | ✅ 支持TB级数据 ❌ 需要SSD硬件配合 | 超大规模磁盘存储场景 |
| 深度学习驱动 | Learned Index | 数据分布自适应性，端到端优化 | 使用神经网络预测向量分布，优化索引构建 | 训练后O(1) | ✅ 自适应数据分布 ❌ 需要大量训练数据 | 数据分布规律的专用场景 |
4、向量数据库 应用场景
向量数据库应用场景 :
- 推荐系统 : 根据用户行为向量 匹配相似商品 ;
- 图像检索 : 输入一张图片 , 快速找到相似图片 ;
- 语义搜索 : 将文本转换为向量 , 实现 语义级搜索 ;
- 生物信息学 : 对 基因序列、蛋白质结构 进行 相似性匹配 ;
5、传统数据库 与 向量数据库 对比
| 对比维度 | 传统数据库 | 向量数据库 |
|---|---|---|
| 核心数据类型 | 结构化数据（表格、字段） | 非结构化数据的向量化表示（高维数值） |
| 主要查询方式 | 精确匹配（SQL条件查询） | 相似性搜索（Top-K最近邻，ANN算法） |
| 索引结构 | B树、哈希索引 | HNSW图、IVF倒排索引、LSH哈希等 |
| 性能瓶颈 | 复杂JOIN、事务锁竞争 | 高维向量计算效率与内存占用 |
| 典型应用场景 | 金融交易、用户管理等结构化业务 | 图像/文本检索、推荐系统、语义搜索 |
| 扩展性 | 垂直扩展（硬件升级）为主 | 分布式架构，天然支持水平扩展 |
| 处理规模 | 百万~十亿级结构化记录 | 十亿~万亿级高维向量 |
| 查询延迟 | 毫秒~秒级（依赖索引优化） | 亚毫秒~百毫秒级（ANN加速） |
| 数据一致性 | 强一致性（ACID） | 最终一致性为主（分布式场景） |
| 代表系统 | MySQL, PostgreSQL, Oracle | Milvus, Pinecone, Faiss, Qdrant |
二、常见 向量数据库 对比
| 名称 | 开源 | 云服务 | 主要特点 | 优点 | 缺点 | 使用场景 |
|---|---|---|---|---|---|---|
| FAISS | 是 | 否 | 专注高性能向量检索，需搭配其他存储使用 | 速度快，支持大规模高维数据，适合研究场景 | 无持久化存储，需自行处理数据管理 | 研究项目、离线大规模相似性搜索（如推荐系统原型） |
| Pinecone | 否 | 是 | 全托管云服务，开箱即用 | 简单易用，自动扩展，低运维成本 | 价格高，灵活性低，仅支持云服务 | 商业应用快速部署（如实时推荐、语义搜索） |
| Milvus | 是 | 是 | 分布式架构，支持海量数据，多索引类型 | 扩展性强，功能全面，社区活跃 | 自托管部署复杂，资源消耗较高 | 企业级生产环境（如十亿级向量搜索、AI平台后端） |
| Weaviate | 是 | 是 | 内置模型向量化，支持混合搜索（向量+关键词） | 自带数据向量化，GraphQL接口灵活 | 模型依赖性强，自定义向量需额外配置 | 语义增强搜索（如知识图谱、结合文本和向量的多模态检索） |
| Qdrant | 是 | 是 | 高性能Rust实现，支持过滤查询 | 低延迟，内存效率高，适合实时场景 | 社区较小，文档相对较少 | 高并发低延迟场景（如实时推荐、流式数据处理） |
| PGVector | 是 | 否 | PostgreSQL扩展，支持SQL操作向量 | 无缝兼容PostgreSQL，事务支持，混合查询 | 性能低于专用库，大规模数据需优化 | 已有PostgreSQL的项目添加向量搜索（如结合关系数据的推荐系统） |
| RediSearch | 是 | 是 | 基于Redis的向量检索，内存优先 | 超低延迟，支持实时更新 | 内存成本高，不适合超大数据集 | 实时性要求极高的场景（如实时个性化广告、会话式AI） |
| ElasticSearch | 是 | 是 | 结合全文检索与向量搜索，成熟生态系统 | 混合搜索能力强，社区资源丰富 | 向量检索性能较弱，高维数据效率低 | 文本+向量混合搜索（如搜索引擎增强、日志分析结合语义） |
三、向量数据库 案例
1、安装 向量数据库 chromadb
执行 pip install chromadb 命令 , 安装 向量数据库 chromadb ;
使用 Python 语言 开发 chromadb 向量数据库 流程如下 :
- 首先 , 需要 导入 chromadb 库 ;
import chromadb # ChromaDB 向量数据库
- 然后 , 创建 持久化的 Chroma 向量数据库 客户端 实例 ;
# 初始化 ChromaDB 客户端 (持久化到本地目录)
chroma_client = chromadb.PersistentClient(path="chroma_db")
- 再后 , 获取集合 , 相当于 向量数据库 表 ;
# 创建或获取集合 (相当于数据库表)
collection = chroma_client.get_or_create_collection(
name="news_articles", # 集合名称
metadata={"hnsw:space": "cosine"} # 使用余弦相似度
)
- 再后 , 将 文本向量 插入数据库 ;
# 将文档插入数据库
collection.add(
ids=document_ids, # 唯一ID列表
embeddings=document_embeddings, # 文本向量列表
documents=documents # 原始文本列表
)
- 最后 , 查询 向量数据库 ;
# 执行相似性查询
results = collection.query(
query_embeddings=[query_embedding], # 查询向量
n_results=2 # 返回前2个最相似结果
)
2、核心要点 解析
① 创建数据库实例
调用 PersistentClient 构造函数 , 创建 持久化的 Chroma 向量数据库 客户端 实例 , 返回 ClientAPI 实例 ;
def PersistentClient(
path: str = "./chroma", # 路径参数，指定Chroma数据保存的目录，默认为"./chroma"
settings: Optional[Settings] = None, # 设置参数，可选，默认为None
tenant: str = DEFAULT_TENANT, # 租户参数，指定此客户端要使用的租户，默认为默认租户
database: str = DEFAULT_DATABASE, # 数据库参数，指定此客户端要使用的数据库，默认为默认数据库
) -> ClientAPI:
"""
创建一个持久化的Chroma实例，并将其数据保存到磁盘。这对于测试和开发很有用，
但不建议在生产环境中使用。
参数：
path: 保存Chroma数据的目录。默认值为"./chroma"。
settings: 客户端的设置配置，如果为None，则使用默认设置。
tenant: 此客户端要使用的租户。默认使用默认租户。
database: 此客户端要使用的数据库。默认使用默认数据库。
"""
if settings is None:
settings = Settings() # 如果设置参数为None，则创建一个默认的设置实例
settings.persist_directory = path # 设置持久化目录
settings.is_persistent = True # 标记设置为持久化
# 确保参数是正确的类型 -- 用户可以传递任何类型的数据
tenant = str(tenant) # 将租户参数转换为字符串
database = str(database) # 将数据库参数转换为字符串
return ClientCreator(tenant=tenant, database=database, settings=settings) # 返回创建的客户端实例
② 创建数据库表
ClientAPI#get_collection 函数 的 作用是 获取具有给定名称的集合 , 相当于 创建 向量数据库 的 数据库表 , 得到 Collection 实例对象 ;
class ClientAPI(BaseAPI, ABC):
tenant: str
database: str
@abstractmethod
def get_collection(
self,
name: str, # 集合的名称
embedding_function: Optional[
EmbeddingFunction[Embeddable]
] = ef.DefaultEmbeddingFunction(), # 嵌入函数，可选，用于将文档嵌入向量空间，默认为默认嵌入函数
data_loader: Optional[DataLoader[Loadable]] = None, # 数据加载器，可选，用于加载记录（文档、图像等）
) -> Collection:
"""获取具有给定名称的集合。
参数：
name: 要获取的集合的名称
embedding_function: 可选的嵌入函数，用于将文档嵌入向量空间。
如果未提供，则使用默认的嵌入函数。
data_loader: 可选的数据加载器函数，用于加载记录（文档、图像等）。
返回：
Collection: 请求的集合
引发：
ValueError: 如果集合不存在
示例：
```python
client.get_collection("my_collection")
# 返回一个集合，名称为"my_collection"，元数据为空
```
"""
pass
③ 向 向量数据库表 中 插入文本向量
将 文本向量 插入到 数据库表中 ;
class Collection(CollectionCommon["ServerAPI"]):
def add(
self,
ids: OneOrMany[ID], # 要添加的嵌入的ID
embeddings: Optional[
Union[
OneOrMany[Embedding],
OneOrMany[PyEmbedding],
]
] = None, # 要添加的嵌入向量，可选。如果为None，将根据集合中设置的嵌入函数基于文档或图像计算嵌入。
metadatas: Optional[OneOrMany[Metadata]] = None, # 与嵌入相关联的元数据，可选。在查询时，可以根据此元数据进行过滤。
documents: Optional[OneOrMany[Document]] = None, # 与嵌入相关联的文档，可选。
images: Optional[OneOrMany[Image]] = None, # 与嵌入相关联的图像，可选。
uris: Optional[OneOrMany[URI]] = None, # 与嵌入相关联的图像的URI，可选。
) -> None:
"""将嵌入添加到数据存储中。
参数：
ids: 您希望添加的嵌入的ID
embeddings: 要添加的嵌入向量。如果为None，则将根据集合中设置的嵌入函数基于文档或图像计算嵌入。可选。
metadatas: 与嵌入相关联的元数据。在查询时，您可以根据此元数据进行过滤。可选。
documents: 与嵌入相关联的文档。可选。
images: 与嵌入相关联的图像。可选。
uris: 与嵌入相关联的图像的URI。可选。
返回：
None
引发：
ValueError: 如果您既没有提供嵌入也没有提供文档
ValueError: 如果ids、embeddings、metadatas或documents的长度不匹配
ValueError: 如果您没有提供嵌入函数且没有提供嵌入
ValueError: 如果您同时提供了嵌入和文档
ValueError: 如果您提供了一个已经存在的ID
"""
# 验证并准备添加请求
add_request = self._validate_and_prepare_add_request(
ids=ids,
embeddings=embeddings,
metadatas=metadatas,
documents=documents,
images=images,
uris=uris,
)
# 调用客户端的添加方法
self._client._add(
collection_id=self.id, # 集合ID
ids=add_request["ids"], # 添加请求中的ID
embeddings=add_request["embeddings"], # 添加请求中的嵌入
metadatas=add_request["metadatas"], # 添加请求中的元数据
documents=add_request["documents"], # 添加请求中的文档
uris=add_request["uris"], # 添加请求中的URI
tenant=self.tenant, # 租户信息
database=self.database, # 数据库信息
)
④ 从 向量数据库表 中查询 相似数据
通过调用 Collection#query 函数 , 可以从 向量数据库表 中查询 相似数据 , 可设置查询指定个数的相似结果 ;
class Collection(CollectionCommon["ServerAPI"]):
def query(
self,
query_embeddings: Optional[
Union[
OneOrMany[Embedding],
OneOrMany[PyEmbedding],
]
] = None, # 要查询的嵌入向量，可选
query_texts: Optional[OneOrMany[Document]] = None, # 要查询的文档文本，可选
query_images: Optional[OneOrMany[Image]] = None, # 要查询的图像，可选
query_uris: Optional[OneOrMany[URI]] = None, # 用于数据加载器的URI，可选
n_results: int = 10, # 每个查询嵌入或文本要返回的邻居数量，可选，默认为10
where: Optional[Where] = None, # 用于过滤结果的Where类型字典，例如：`{"$and": [{"color" : "red"}, {"price": {"$gte": 4.20}}]}`，可选
where_document: Optional[WhereDocument] = None, # 用于通过文档过滤的WhereDocument类型字典，例如：`{$contains: {"text": "hello"}}`，可选
include: Include = [
IncludeEnum.metadatas,
IncludeEnum.documents,
IncludeEnum.distances,
], # 要包含在结果中的内容列表，可以包含`"embeddings"`、`"metadatas"`、`"documents"`、`"distances"`。ID始终包括在内。默认为`["metadatas", "documents", "distances"]`，可选
) -> QueryResult:
"""获取提供的query_embeddings或query_texts的n_results个最近邻嵌入。
参数：
query_embeddings: 要获取最近邻的嵌入向量，可选。
query_texts: 要获取最近邻的文档文本，可选。
query_images: 要获取最近邻的图像，可选。
query_uris: 用于数据加载器的URI，可选。
n_results: 每个查询嵌入或文本要返回的邻居数量，可选，默认为10。
where: 用于过滤结果的Where类型字典，例如：`{"$and": [{"color" : "red"}, {"price": {"$gte": 4.20}}]}`，可选。
where_document: 用于通过文档过滤的WhereDocument类型字典，例如：`{$contains: {"text": "hello"}}`，可选。
include: 要包含在结果中的内容列表，可以包含`"embeddings"`、`"metadatas"`、`"documents"`、`"distances"`。ID始终包括在内。默认为`["metadatas", "documents", "distances"]`，可选。
返回：
QueryResult: 包含结果的QueryResult对象。
引发：
ValueError: 如果您既没有提供query_embeddings，也没有提供query_texts，也没有提供query_images
ValueError: 如果您同时提供了query_embeddings和query_texts
ValueError: 如果您同时提供了query_embeddings和query_images
ValueError: 如果您同时提供了query_texts和query_images
"""
# 验证并准备查询请求
query_request = self._validate_and_prepare_query_request(
query_embeddings=query_embeddings,
query_texts=query_texts,
query_images=query_images,
query_uris=query_uris,
n_results=n_results,
where=where,
where_document=where_document,
include=include,
)
# 调用客户端的查询方法
query_results = self._client._query(
collection_id=self.id, # 集合ID
query_embeddings=query_request["embeddings"], # 查询请求中的嵌入
n_results=query_request["n_results"], # 查询请求中的邻居数量
where=query_request["where"], # 查询请求中的过滤条件
where_document=query_request["where_document"], # 查询请求中的文档过滤条件
include=query_request["include"], # 查询请求中要包含的内容
tenant=self.tenant, # 租户信息
database=self.database, # 数据库信息
)
# 转换查询响应
return self._transform_query_response(
response=query_results, include=query_request["include"]
)
3、完整代码示例
下面的代码是 在 博客 【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 ) 的 代码基础上 , 将 若干文本 计算出来的 文本向量 存储到 chromadb 向量数据库中 , 然后再从 向量数据库 中查询 相似的文本数据 ;
完整代码示例 :
# 导入所需库
import chromadb # ChromaDB 向量数据库
from openai import OpenAI # OpenAI 客户端
# 初始化 OpenAI 客户端 (替换成自己的 API 信息)
client = OpenAI(
api_key="sk-i3dHqZygi7757aF6", # 替换为你的 OpenAI API Key , 这里我把自己的 API-KEY 隐藏了
base_url="https://api.xiaoai.plus/v1" # 替换为你的 API 端点
)
def get_embeddings(texts, model="text-embedding-ada-002"):
"""使用 OpenAI 的嵌入模型将文本转换为向量"""
# 调用 OpenAI API 获取嵌入向量
response = client.embeddings.create(
input=texts,
model=model
)
# 从响应中提取向量数据
return [item.embedding for item in response.data]
# 初始化 ChromaDB 客户端 (持久化到本地目录)
chroma_client = chromadb.PersistentClient(path="chroma_db")
# 创建或获取集合 (相当于数据库表)
collection = chroma_client.get_or_create_collection(
name="news_articles", # 集合名称
metadata={"hnsw:space": "cosine"} # 使用余弦相似度
)
# 原始文本数据
documents = [
"李彦宏称大模型成本每年降低90%",
"乌军大批直升机击落多架俄无人机",
"王力宏回应是否想找新伴侣",
"饺子不知道观众怎么想出的藕饼cp",
"加沙停火协议关键时刻生变",
]
# 生成文档向量
document_embeddings = get_embeddings(documents)
# 准备文档 ID (需要唯一标识符)
document_ids = [str(i) for i in range(len(documents))] # 生成 ["0", "1", ..., "4"]
# 将文档插入数据库
collection.add(
ids=document_ids, # 唯一ID列表
embeddings=document_embeddings, # 文本向量列表
documents=documents # 原始文本列表
)
# 查询文本
query_text = "国际争端新闻"
# 生成查询向量
query_embedding = get_embeddings([query_text])[0]
# 执行相似性查询
results = collection.query(
query_embeddings=[query_embedding], # 查询向量
n_results=2 # 返回前2个最相似结果
)
# 打印查询结果
print("查询内容:", query_text)
print("最相似结果:")
for doc, score in zip(results['documents'][0], results['distances'][0]):
print(f"相似度 {score:.4f}: {doc}")
执行结果 :
查询内容: 国际争端新闻
最相似结果:
相似度 0.1806: 加沙停火协议关键时刻生变
相似度 0.1922: 乌军大批直升机击落多架俄无人机
下图是在本地生成 的 向量数据库 文件内容 ;
