AI Knowledge

外观

如何进行向量数据库选型？ ​

3 分钟速学卡 ​

30 秒口述： 我做向量数据库选型时，会先从数据规模、更新删除、过滤选择性、Sparse/Dense/Hybrid、多向量、延迟吞吐、事务一致性、租户隔离、运维合规和成本出发，再比较关系库向量扩展、全文搜索引擎、专用自托管引擎和托管服务。产品功能表只能证明“能做”，最终要用本项目语料、Query、过滤条件和硬件做 Recall、P95、写入更新、故障恢复与成本基准。向量库只是候选召回组件，不能替代文档治理、Rerank、权限、引用和评测。

  • 本质： 向量库没有脱离工作负载的最优解，只有在真实约束下可验证的选择。
  • 核心机制： 比较四类路径，不先锁定产品；基准使用真实语料、Query、过滤和硬件。
  • 关键判断： 同时评估召回、延迟、更新、恢复、运维和成本；明确迁移与切换条件，避免供应商绑定失控。
  • 项目落地： 示例决策：数据量较小且需要强事务与复杂 SQL，可先用关系库向量扩展；已有全文搜索且强调 BM25/Hybrid，可评估搜索引擎。
  • 边界与坑： “某产品排行榜第一，所以选它”：榜单数据与业务过滤、硬件和版本可能不一致；“数据量大就一定用专用库”：还要看更新、过滤、运维和一致性。

目录 ​

面试官为什么问 ​

面试官考察需求抽象、同条件基准、运维与迁移意识，避免无条件推荐某个热门产品。

小白先看懂 ​

选择仓库不能只看面积：还要看货物更新频率、拣货路线、权限分区、是否需要冷链和团队是否能维护。货物对应向量与元数据，拣货对应 ANN，分区规则对应 Metadata Filter，仓库运营对应扩缩容与备份。

技术上，ANN 以一定召回损失换速度；高选择性过滤可能改变索引执行路径。类比没有覆盖相似度度量与混合检索，所以选型必须用真实查询和过滤条件测试，而不是只看理论容量。

主题图与核心原理 ​

图：教学图片｜如何进行向量数据库选型？

替代文本： 围绕“如何进行向量数据库选型？”组织的中文教学图，通过分区、箭头和标签解释核心机制。

如何进行向量数据库选型？教学图片

读图结论： 功能表只证明能做；真实数据基准才证明适合。

这张图片用于建立主题机制的直觉。精确公式、参数、失败分支和事实边界仍以正文与 Mermaid 为准。

图片生成记录： model=gpt-image-2，generated=2026-07-15，prompt_version=v1，reviewed=2026-07-16，review_basis=user-confirmed；查看生成 Prompt。

图：向量数据库的四类候选与决策门

替代文本： 需求约束进入统一基准，比较关系库扩展、搜索引擎、专用向量引擎和托管服务，再按质量、性能、运维、合规和成本决策。

图表加载中…

读图结论： 选型结论必须来自相同数据和过滤条件下的基准，并同时计入生命周期成本。

基准至少覆盖精确检索对照、ANN Recall@K、过滤前后 P95、增量写入、删除可见性、索引构建、故障恢复和资源成本。产品能力和价格随版本变化，发布前应查官方资料并再次实测。

项目和生产视角 ​

示例决策： 数据量较小且需要强事务与复杂 SQL，可先用关系库向量扩展；已有全文搜索且强调 BM25/Hybrid，可评估搜索引擎；大规模向量、多索引与自托管弹性可评估专用引擎；团队小且接受供应商与合规边界，可评估托管服务。

这里的选择是条件性建议，不是当前仓库的实测结论。真实项目需要保存基准数据、配置、硬件、索引参数、版本和失败样本。

常见错误回答 ​

  • “某产品排行榜第一，所以选它”：榜单数据与业务过滤、硬件和版本可能不一致。
  • “数据量大就一定用专用库”：还要看更新、过滤、运维和一致性。
  • “支持 Metadata Filter 就够了”：需测试高选择性过滤时的召回与延迟。

递进追问 ​

  1. ANN Recall 应如何用精确检索作对照？
  2. 过滤发生在 ANN 前还是后会带来什么影响？
  3. 文档删除后多久必须对查询不可见？
  4. 如何评估从一种向量库迁移到另一种？
  5. 什么时候全文搜索引擎比专用向量库更合适？

关联阅读 ​

总结 ​

一句话记忆： 向量库没有脱离工作负载的最优解，只有在真实约束下可验证的选择。

  • 比较四类路径，不先锁定产品。
  • 基准使用真实语料、Query、过滤和硬件。
  • 同时评估召回、延迟、更新、恢复、运维和成本。
  • 明确迁移与切换条件，避免供应商绑定失控。