向量检索是什么

从“找一样的”到“找像的”：稠密/稀疏向量、最近邻本质、为什么数据库做不了语义检索，以及完整链路。

一句话定义

向量检索（Vector Search / Similarity Search）：把文字、图片、音频等内容编码成一串浮点数（向量 / embedding），然后通过"计算向量之间的距离/相似度"来找回语义上最接近的内容，而不是靠关键词精确匹配。

它解决的核心问题是："和这条内容意思最像的东西是什么？"——传统数据库只会回答"等于/包含某个字符串"，答不了"意思相近"。

稠密向量 vs 稀疏向量

做向量检索前先要分清两种向量，它们是不同的技术路线：

维度稠密向量（Dense）稀疏向量（Sparse）
来源神经网络模型（BGE / OpenAI / BERT）编码词频统计 / 词项权重（BM25、SPLADE）
维度固定 384 / 768 / 1536 维，每维都有值词汇表大小（几万~几十万），绝大多数是 0
可解释性低，每个维度无明确含义高，每个非零维度对应一个词项
擅长语义相似、同义改写、跨语言精确关键词、专有名词、罕见词
典型用法语义搜索、RAG 召回关键词检索；或做"混合检索"的另一路
稠密向量（768 维） [0.21, -0.83, 0.05, 0.44, ...] 几乎每一维都有非零值 语义整体落在连续空间 稀疏向量（词表 5 万） [0,0,0.7,0,0,...,1.2,0,...] 99% 以上位置是 0 非零位对应具体词项
图 1：稠密向量（语义、连续）与稀疏向量（关键词、离散）的形态对比

检索的本质：最近邻问题

把每条内容变成向量后，检索就退化成一个数学问题：给定查询向量 q，在 N 个候选向量里，找距离 q 最近的 k 个。这就是 k 近邻（k-NN）。

目标：argmin_{x in 候选集} distance(q, x) ，取 top-k

"距离"越小 = 越相似。常见距离/相似度见本系列《相似度度量》一篇。理论上 k-NN 可以暴力扫描所有候选求距离，但当 N 达到百万、亿级，且向量维度高达 768/1536 时，暴力扫描慢到不可接受——这正是后面 ANN（近似最近邻）要解决的。

为什么传统数据库 / LIKE 不行

一句话：传统数据库擅长"找一样的"，向量检索擅长"找像的"。两者互补，不是替代。

向量检索的典型流程

① 文本/图 ② 编码模型Embedding ③ 建索引HNSW/IVF ④ 相似检索ANN top-k ⑤重排
图 2：向量检索五步——编码 → 建索引 → 检索 → （可选）重排

① 把原始内容用 Embedding 模型编码成向量；② 离线把所有向量建好索引（一次性成本）；③ 查询时把 query 也编码，用索引快速找 top-k；④ 通常再接一个 Cross-Encoder 重排提升精度。RAG 就是这套流程 + 把召回文本喂给 LLM。

应用场景

记住：任何"找相似"的需求，本质上都是向量检索。它是大模型时代检索系统的底座。