向量检索是什么？

向量检索（Vector Retrieval）是一种基于语义相似度查找信息的技术。它不依赖关键词的字面匹配，而是先把文字、图片、音频等数据通过AI模型转换成一组数字——也就是向量（Embedding），然后比较向量之间的距离，把距离最近、即语义最接近的结果找出来。

举个直观的例子：你搜索“怎么养小猫”，传统关键词搜索可能只返回包含“小猫”字样的内容；而向量检索能理解“幼猫喂养方法”“新手养猫注意事项”这些字面不同但意思相近的内容也属于相关结果，因为它们的向量在空间里靠得很近。

一句话理解：向量检索就是把“意思像不像”变成“数学上近不近”，让机器能按语义而不是按字面找东西。

向量检索是怎么运作的？

整个流程可以拆成四步：嵌入、度量、索引、检索。

第一步：把数据变成向量

使用嵌入模型（如文本嵌入模型、多模态嵌入模型）将每个数据单元（一句话、一段文档、一张图）编码成一个固定长度的数字数组，常见维度是384维、768维、1024维或更高。每个维度都捕捉某种抽象语义特征。语义越接近的内容，生成的向量方向越相似。

第二步：定义相似度怎么算

比较两个向量的接近程度，常用以下三种度量方式：

第三步：建立索引加速查找

如果库里有上亿条向量，逐个比较（暴力搜索）会非常慢。于是出现了近似最近邻（ANN）索引，用少量精度换取百倍速度。主流算法有：

• HNSW：基于图的层次化索引，查询快、召回率高，是目前最流行的选择。
• IVF：先聚类分桶，查询时只搜最近几个桶，适合超大规模数据。
• PQ（乘积量化）：压缩向量存储，节省内存，常与IVF组合。

这些索引通常由向量数据库或向量检索引擎实现，用户只需调用API。

第四步：在线检索

用户查询时，先用同一个嵌入模型把问题转成向量，再在索引中快速找出Top-K个最相似的向量，返回对应的原始内容或元数据，供上层应用使用。

代表产品与工具

向量检索通常不单独出现，而是作为向量数据库、搜索框架或大模型应用的一部分。国内用户可直连的代表性产品包括：

• DeepSeek：其API和开源模型广泛用于构建RAG应用，配合向量库实现知识库问答。
• Kimi（月之暗面）：支持长文本，常与向量检索结合做文档问答和资料搜索。
• 豆包（字节跳动）：提供嵌入模型和向量检索能力，用于智能搜索与推荐。
• 通义千问（阿里云）：DashVector向量检索服务与通义嵌入模型配合，支持语义搜索。
• 智谱AI：提供Embedding模型和GLM系列，常用于企业知识库。
• 可灵、即梦：多模态生成工具，其背后也依赖向量检索做素材匹配与风格检索。

此外，Milvus、Qdrant、Weaviate等开源向量数据库在国内也有大量使用者，但需自行部署或使用国内云厂商托管服务。

应用场景

• 语义搜索：搜索引擎和站内搜索不再只匹配关键词，而是理解意图，返回更相关结果。
• RAG问答：大模型回答前，先从知识库中检索相关文档片段，再生成答案，减少幻觉。
• 推荐系统：把用户和物品都变成向量，找最匹配的内容推荐。
• 图像/视频检索：以图搜图、以文搜图，依赖多模态向量检索。
• 去重与聚类：判断内容是否重复或归类，比如新闻聚合、版权检测。
• 智能客服：将用户问题与历史问答库做向量匹配，快速找到标准答案。

常见问题

向量检索和关键词搜索有什么区别？

关键词搜索依赖字面匹配，查“苹果”只能找到含“苹果”的内容；向量检索理解语义，能把“iPhone”“苹果公司”“水果苹果”按上下文区分，并找到“红富士”“库克”等相关内容。两者常结合使用，即混合检索，效果更好。

向量维度越高越好吗？

不一定。维度高能表达更细的语义，但存储和计算成本也更高，而且可能引入噪声。实际选择要看任务：通用文本检索768~1024维通常够用，多模态或专业领域可能需要更高。关键是嵌入模型的质量，而非单纯堆维度。

普通开发者如何快速上手向量检索？

最简单的方式是使用国内大模型平台提供的嵌入API加托管向量数据库。例如调用通义或智谱的Embedding接口生成向量，存入DashVector或类似服务，再通过SDK做相似度查询。无需自己训练模型或维护索引，几行代码就能搭建一个语义搜索demo。