在了解什么是向量数据库（Vector Database ）之前，必须先对常见的关系型数据库进行分析。
关系型数据库，是指采用了关系模型来组织数据的数据库，其以行和列的形式存储数据，以便于用户理解，关系型数据库这一系列的行和列被称为表，一组表组成了数据库。
- 同一组的实体具有相同的数据结构
- 实体通过主键(ID)组织数据结构 (使用 树 进行存储)
- 实体数据结构中的大部分属性都是可以参与比较的
- 至于那些不可以参与比较的属性，无法被检索
- 例如，数据只是编码，不能反映实体的关系，例如"太阳"、"月亮"、"星星" 编码上的比较不能反映
举例，我们可以将图片(转为二进制)存放到关系型数据库，但是我们没有办法直接以图搜图
字符串(自然语言文本)基本上也可以认为是无法比较的，因为大部分的操作都是十分昂贵的
向量化
向量可以进行比较，如果将那些不可以比较的数据转换成为向量，且这些向量的分布和距离可以反映出实体的关系，那么就可以通过比较向量的关键进行检索，也就可以实现图搜图、文搜文的功能了
巧了，通过深度学习的模型，就可以实现向量化(或者应该称为vector embeddings)。例如可以将不同尺寸、不同内容的图片映射成为同一个空间内的向量，或者将不同长度的文本映射到同一个向量空间内，在同一个空间中，相邻的向量具有相近的语义含义。(实际上向量数据库正是为了辅助深度学习而生的)
虽然向量化是基础，但是向量化一般是专门的模型去实现，而不是数据库负责。(因为模型和业务强相关，且会定期更新)
向量数据库专门用于存储和查询向量数据。如果把大模型比作人的大脑，那么向量数据库就如同海马体，能够为大模型提供长期记忆。向量数据库可以突破时间和空间上的限制，助力企业广泛挖掘数据价值。
假设一个图书馆就是一个数据库，而书就是数据库中的数据。在传统的数据库中，我们通过书名、作者、出版日期等关键词去搜索我们想要的书籍。这个过程类似于我们在数据库中通过关键词检索需要的数据。
然而，向量数据库的运作机制又是怎样的呢？在一个"向量"图书馆中，假设你不仅想找到一本特定的书，你还想找到所有和这本书类似的书，例如内容、风格、主题都相似的书。这在传统图书馆中可能是一项极具挑战的任务，因为这需要逐一浏览和对比每一本书的内容。
然而，在"向量"图书馆中，每本书都会被转换成一个向量，它像书的指纹，包含了书的所有特征信息。然后，我们可以通过计算这些向量之间的距离或相似度，找到与特定书最相似的其他书籍。这就是向量数据库的核心工作原理。
开源的向量数据库
Faiss
- Facebook 开源的
- 一个 C++ library
- vector indices
Milvus
- 基于 Faiss 开发
- 引擎层用 C++ 写的
Qdrant
- 基于 Rust 的向量数据库
总结
将上述提到的基本概念进行总结，向量数据库有3个关键
- 向量化(编码)
- 不同于字符串文本编码或者图片的编码，向量化的模型可能会不断更新，这就对向量数据库提出了更新和版本管理的需求
- 向量化的质量，决定了向量数据库效果的上限
- 向量化过程无法通用，至少目前没有办法，是和业务强相关的
- 数据结构
- 合理地构建数据结构管理向量，并保证计算和检索时候的性能
- 这个点决定了向量数据库的性能，即决定了向量数据库效果的下限
- 距离计算
- 如何更合理的计算向量间的距离，同时尽量减少资源的占用