向量化执行：数据库里的批处理，不是向量数据库

一句话定义：向量化执行（Vectorized Execution）是数据库的一种查询执行方式——把数据按列切成一批一批（通常几百到几千行），每次调用处理一整批，而不是一行一行地处理。

为什么会有它

最经典的执行方式是「逐行处理」（tuple-at-a-time，也叫 Volcano 模型）：取一行、算一步、返回一行，循环往复。逻辑清晰、算子容易组合，但每一行都要经历一次函数调用和分支判断，真正的计算只占很小一部分时间，其余都花在「调用开销」上。

向量化执行换了个思路：把一批数据放进一段连续内存，一次调用就把整批算完。开销被摊薄到成千上万行上，同时带来两个额外好处——一是数据紧凑排列，CPU 缓存命中率更高；二是这种整齐的数据布局很适合 SIMD（单指令多数据）指令，一条指令同时算好几个值。

打个比方：逐行执行像超市收银员每扫一件商品就重新打印一次小票、重新和顾客确认一次；向量化执行则是把整筐商品放上传送带，机器一口气连续读完。

名字最容易混的地方

这里的「向量」指的是一批数据，和深度学习里的嵌入向量（embedding vector）只是撞名。

一句话区分：向量化执行回答的是「怎么算」——批量算；向量数据库回答的是「存什么、怎么找」——存高维向量并做相似度检索。两者可以一起出现，也可以完全不相干。

对从业者意味着什么

分析型数据库（OLAP）里，扫描、过滤、聚合、分组这些操作天然适合批量处理，所以列存引擎普遍采用向量化执行，报表和看板因此刷新得更快。在 AI 场景里，RAG 或特征管道除了检索本身，往往还有大量 SQL 式的过滤、join、统计，如果底层引擎支持向量化，这部分会明显更顺。

需要留意两个常见误解：一是以为向量化执行等于「向量数据库」，其实毫无关系；二是以为它等于 GPU 加速，其实向量化执行主要发生在 CPU 上，是和 GPU 加速并列的另一条优化路线。具体某个引擎是否采用、采用到什么程度，以官方文档为准。

判断一个小技巧：看它的算子接口一次接收一行还是一批。一次一批的，基本就是向量化执行。