向量空间（Vector Space）是一套数学结构：每个对象被表示成一串数字（一个向量），所有向量落在同一个空间里，于是“比较两个东西有多像”就变成了“算两个点有多远”。
打个比方。假设只用三个维度给电影打分：好笑程度、暴力程度、浪漫程度。每部电影就变成三个数，比如 (8, 1, 2)。你想找“像《A》但没那么暴力的”，就是在空间里找它附近、但第二维更小的点。这在低维时人脑还能想象；维度升到几百上千，就没人画得出图了，但加减、距离、夹角这些运算照样成立。
在 AI 里，做这件事的动作叫嵌入（embedding）。模型阅读海量文本（或图像、音频），学会给每个词、每句话安排一个坐标。要注意：这些维度不是人定的标签，没有哪一维叫“可爱度”；它们是模型为了完成“预测上下文”这个任务自己长出来的。
这里有个最容易被误解的地方：距离近不代表同义，而代表使用场景相似。“猫”和“狗”很近，因为它们出现在相似的句子里（喂、遛、毛、叫）。更容易让人意外的是，“开心”和“难过”往往也很近：两者都是情绪词，出现的句法位置几乎一样。反义词常常比同义词挨得更紧。所以AI 词典：余弦相似度">余弦相似度高只能说明“可替换程度”，不能说明意思相同，更不能说明意思一致。
和相邻概念的区别：
| 表示方式 | 关系从哪来 | 擅长什么 | 短板 |
|---|---|---|---|
| 向量空间 | 从语料中统计或学习得到 | 模糊相似、聚类、推荐 | 难以解释，不保证事实正确 |
| 知识图谱 | 人工或规则显式声明 | 精确关系、可推理 | 建设成本高，长尾覆盖差 |
| 传统数据库 | 主键与外键 | 精确查询、事务 | 没有“相似”这个概念 |
另外，向量数据库只是存放和检索这些点的工具，不等于向量空间本身。
对从业者：语义检索、RAG、去重、聚类、异常检测，底层都是它；但别把相似度分数当成“语义等价”的证明，涉及否定、对立、数字、专有名词时尤其要另加校验。对普通人：搜索和推荐为什么“偶尔很懂你、偶尔离谱”——它找的是使用场景相近的东西，未必是你以为的那个意思。