向量数据库的作用有哪些：支撑语义类检索

向量数据库的作用有哪些，核心是把文本、图片、音频、视频转化为向量嵌入并存储，提供高速相似度检索，支撑大模型RAG知识库、图文跨模态搜索、推荐召回、异常检测、人脸比对等业务，适合数据带有语义特征、不能靠关键词精确匹配的场景，不适合只需要等值查询、范围筛选、高频事务写入的传统订单台账类业务，这类业务选用关系型数据库效率更高。向量嵌入是模型输出的一串数字数组，用来表征原始数据的语义特征，语义相近的数据对应的向量在空间里距离更近，这也是相似度检索的底层逻辑。

向量数据库的作用，实现RAG知识库检索

它可以拆分文档、网页、手册等素材，生成向量后入库，用户提问时，把问题转为向量去库中匹配相近片段，把匹配到的原文交给大模型作为参考素材，减少模型幻觉。你可以自主设置检索返回片段数量、相似度阈值，阈值调高会降低召回数量，匹配结果精准度会上升，阈值调低能拿到更多相关内容，但混入无关片段的概率随之变大。主流RAG流程里，向量库只负责找素材，答案生成交给大语言模型，两者分工明确。

向量数据库的作用，承载跨模态内容检索

图片、短视频、音频这类无结构化文本的数据，关键词标注成本高，标注还容易出现偏差。向量数据库接收多模态模型输出的向量，支持以图搜图、以文搜图、以音频片段检索音频，不需要人工给每条内容打上标签。电商平台同款商品检索、素材图库检索、短视频内容溯源都在用这类能力，向量对比直接比对内容本身特征，不受标题、标签文字的限制。

加速推荐系统召回环节。

传统推荐依赖用户标签、类目做粗筛，向量数据库存储用户行为向量和物品特征向量，快速召回和用户偏好向量距离近的商品、文章、视频，在百万至亿级物品池中完成粗召回，再交由排序模型精细打分。召回阶段对查询延迟要求严格，向量数据库的索引结构可以把单次检索耗时控制在毫秒级别，保障前端页面加载流畅。

识别特征异常样本。

正常业务样本的向量会聚集在固定空间区域，偏离集群很远的向量，大概率属于异常数据，向量数据库可以批量检索离群向量，用于风控、设备故障监测、内容违规初筛。该方式只能做初筛，不能直接判定结果，离群样本仍需要人工复核或者规则二次校验，避免误判。

管理大规模向量生命周期。

向量数据库配套向量的新增、更新、删除、增量索引能力，业务数据变更时，对应的向量可以同步更新，不会出现素材和向量脱节的情况。它还支持分区、分片存储，把海量向量分散到多台服务器，横向扩展容量和查询并发，很多轻量嵌入模型产出的向量维度在768、1024维，高维向量对内存资源消耗明显，分片策略能分摊资源压力。

提供混合检索能力。

业务经常需要同时过滤标签、时间、权限字段，再做向量相似度排序，向量数据库支持向量检索和标量过滤条件组合查询，先过滤掉不符合权限、时间范围的数据，再在剩下子集内做向量比对，减少无效计算。对比分开使用关系库过滤、单独向量库检索的方案，混合检索能简化架构，减少两次查询带来的链路损耗。

向量检索存在召回损耗，没有100%召回的索引。