本次查询：向量搜索
中文解释：向量搜索
常见场景：搜索引擎 / 推荐系统 / 问答机器人 / 图像检索 / 异常检测
一句话解释
向量搜索是一种信息检索技术，它把文本、图片、音频等数据转换成数学上的向量（一组数字），然后通过计算向量之间的距离或夹角，来找到与用户查询语义最相似的结果。简单说，传统的搜索靠“字面匹配”，向量搜索靠“意思匹配”。
为什么会被关注
随着大语言模型（如ChatGPT）的普及，检索增强生成（RAG）技术成为热点，而RAG的核心就是向量搜索——它能把海量文档快速编码并支持语义级检索，让模型回答更准确、知识更实时。
传统关键词搜索无法处理同义词、模糊表达或跨语言搜索，向量搜索通过嵌入模型理解语义，让搜索返回更相关的结果。无论是淘宝的“以图搜图”还是Spotify的歌曲推荐，背后都依赖向量搜索。
数据量的爆炸增长（图片、视频、长文本）要求更高效的检索方式，向量搜索结合近似最近邻算法（ANN），能在毫秒级别从亿级数据中找到匹配项，满足实时性需求。
核心逻辑
向量搜索的核心流程分为两步：一是将数据（如一段文字、一张图片）通过嵌入模型（Embedding）转化为向量，这是一个由几百到上千个浮点数组成的列表；二是在向量空间中执行相似性搜索，通常使用余弦相似度或欧氏距离来衡量两个向量的接近程度。
为了应对海量数据，全量暴力计算效率太低，所以会使用近似最近邻（ANN）算法，如乘积量化（PQ）或分层可导航小世界图（HNSW）。这些算法通过建立索引结构，在召回率与速度之间取得平衡，实现亚秒级响应。
向量搜索的精度取决于嵌入模型的质量和向量维度。例如，使用OpenAI的text-embedding-ada-002模型得到的1536维向量，能较好捕获语义；但维度越高，计算和存储成本也越大，需要权衡。
常见场景
在企业级RAG应用中，用户提问后，系统先将问题向量化，再从向量数据库中召回最相关的知识段落，最后交由大模型生成答案。这大幅降低了幻觉率，是当前AI知识库产品的标配。
电商平台的相似商品推荐：用户浏览一件衣服，系统抽取该商品的图片和描述向量，通过向量搜索找出“风格类似”“颜色相近”的其他商品，即使它们不含相同关键词。
图像与视频检索：输入一张照片，系统将其向量化后匹配到数据库中的相似人脸、地标或物体；基于向量的搜索引擎（如Pinterest的Lens）可理解视觉内容，而非仅依赖标签。
异常检测与去重：在网络安全领域，攻击流量特征可转化为向量，利用距离度量找出离群点；在内容审核中，用向量相似度过滤重复或变种侵权内容。
容易混淆的点
“向量搜索”与“全文搜索”是不同路径：全文搜索依赖倒排索引和关键词分词，无法处理语义相似但字面不同的内容；而向量搜索本质是数学计算，不关心原始词汇，两者常结合使用（混合搜索）。
混淆“向量数据库”与“向量索引”：向量数据库（如Milvus、Weaviate）是管理向量数据的存储与搜索系统，包含索引、分片、持久化等能力；向量索引（如HNSW、IVF）只是算法层面的加速结构，可嵌入在传统数据库或向量数据库中。
并非所有嵌入模型都适用：用过时的Word2Vec进行语义搜索效果差，需使用现代上下文感知的模型（如BERT、Sentence-BERT）；同时，不同场景下维度选择策略不同（高维精度高，低维速度快）。