一句话定义：向量数据库（Vector Database）是一种专门存储、管理和检索向量（vector）的数据库，核心能力是“给我一个向量，找出最相似的若干条”。
传统数据库擅长按身份证号找人：知道确切 ID 或字段就能精确查到。向量数据库更像凭“感觉”找相似的人：先把每段文字、每张图交给嵌入模型（embedding model），得到一串高维数字，也就是嵌入向量（embedding vector）。这串数字是它在语义空间里的坐标，意思越接近，坐标通常越接近。检索时，把用户问题也变成向量，计算它与库里向量的距离，返回最相似的 k 条。常见距离度量有余弦相似度（cosine similarity）、点积和欧氏距离。
难点是逐个比较太慢。上亿条向量两两算距离不现实，所以要建近似最近邻（Approximate Nearest Neighbor, ANN）索引，用少量召回换速度。它还支持元数据过滤：在“2024 年之后的合同”里找和某段话最像的条款；也常和关键词检索结合成混合搜索（hybrid search）。
| 概念 | 主要解决 | 典型不擅长 |
|---|---|---|
| 关系型数据库 | 精确查询、事务、关联 | 语义相似、模糊匹配 |
| 全文检索 | 关键词匹配 | 同义改写、跨语言 |
| 向量数据库 | 高维向量相似度搜索、元数据过滤 | 复杂事务、强关系查询 |
| 向量检索库 | 嵌在程序里做近邻计算 | 持久化、权限、扩缩容 |
它和 RAG（Retrieval-Augmented Generation，检索增强生成）关系很近：大模型本身不记得企业文档，RAG 先把文档切块、生成嵌入、存入向量数据库；提问时检索最相关片段，再拼进提示词交给模型。向量数据库就是 RAG 的“记忆检索层”。
对从业者，选型重点通常不是“哪个最先进”，而是规模、过滤能力、延迟、一致性、运维和现有技术栈。它一般不替代关系型数据库，而是配合使用。对普通人，搜图、推荐、客服问答、内容去重、聚类和语义搜索背后都可能用到它。
边界也要清楚：向量相似不等于事实正确。检索质量取决于切分策略、嵌入模型和过滤条件；如果更换嵌入模型，旧向量通常需要重新生成，因为不同模型的向量空间不可直接比较。具体产品能力与限制，以官方页面为准。