[AI 分享] 向量資料庫是什麼？

 [AI 分享] 向量資料庫是什麼？

摘要 : 向量資料庫能將文字、圖片與音訊轉成向量，支援語意相似搜尋，是 AI 搜尋、RAG 與推薦系統的重要基礎。

內容:

向量資料庫是一種專門用來儲存、檢索與管理向量的資料庫。這裡的向量，通常是由文字、圖片、音訊、影片等非結構化資料，經過 AI 模型轉換後所形成的數字表示。理解向量資料庫的重點，不只是它怎麼存資料，而是要先明白，為什麼 AI 需要把內容轉成數字，以及為什麼傳統資料庫不擅長處理「相似」這類問題。

傳統資料庫最擅長的是精確查詢，例如查找某個手機號碼、篩選價格大於 100 的訂單，或依時間排序最近的資料。它依賴的是明確欄位與固定條件，因此在處理「完全匹配」時非常有效率。但如果問題變成「哪篇文章和這段話意思最接近」，傳統資料庫就不容易做好。向量資料庫的價值，正是在於解決這種語意相近的搜尋需求。

所謂向量，可以理解成一組高維度的數字座標。AI 模型會把一句話、一張圖片甚至一段聲音，轉換成像 768 維或 1536 維的數值陣列。雖然人類無法直接看懂這些數字，但模型可以透過它們判斷內容彼此是否相似。例如「貓在沙發上睡覺」與「一隻小貓躺在長沙發上休息」雖然文字不同，但轉成向量後，在空間中的距離會很接近；反之，與股市大跌相關的內容距離就會很遠。

向量資料庫的核心能力，就是在大量向量中快速找出最相似的結果。這種做法稱為向量檢索或相似度搜尋，常見的計算方式包括餘弦相似度、歐式距離與點積。它不是判斷有沒有完全一樣，而是判斷「誰最像」。當資料量只有幾百筆時，逐一比對還可行；但若資料規模達到數十萬、數千萬甚至上億筆，全量比對的速度會非常慢，這時就需要向量資料庫的索引能力。

為了兼顧速度與準確度，向量資料庫通常會使用近似最近鄰搜尋，也就是 ANN。它透過特殊索引機制，快速縮小搜尋範圍，在龐大資料中找到足夠接近的候選結果。可以把它想像成在大城市裡找風格最像某間咖啡館的店家，不是每一家都實地走訪，而是先根據區域、風格、價格與客群先做初步分區，再到可能的範圍中精準比對，提升搜尋效率。

典型的向量資料庫流程大致分成四步。第一，準備原始資料，例如文件、商品描述、網頁內容、圖片素材或使用者問題。第二，使用嵌入模型將這些內容轉換成向量。第三，將向量連同原文、標題、標籤、來源等資料一起存入資料庫。第四，當使用者提出查詢時，也先把查詢轉成向量，再去資料庫中找出最相似的結果。

實際應用中，向量資料庫通常不只存向量本身，也會搭配許多原始欄位資訊，例如文章 ID、作者、分類、發布時間、商品價格與權限設定等。原因是企業場景不只是找相似內容，還會有條件篩選需求，例如只搜尋 2024 年後的文件，或僅限特定使用者有權限查看的資料。因此，向量搜尋往往需要與傳統條件過濾一起配合。

向量資料庫最常見的應用之一是語義搜尋。過去搜尋引擎高度依賴關鍵字匹配，但使用者輸入的字詞，未必與文件中的用字完全一致。比如搜尋「電腦發熱怎麼辦」，而文件標題卻寫成「筆記型電腦溫度過高處理方式」，傳統搜尋可能無法把最相關結果排在前面。透過向量資料庫，系統能理解這兩者語意接近，找出真正有幫助的內容。

第二個重要應用是 RAG，也就是檢索增強生成。大模型本身有知識截止時間，也不一定知道企業內部最新文件。RAG 的作法，是先利用向量資料庫從知識庫中找出與問題最相關的資料，再把這些內容提供給大模型生成回答。這樣模型回答時不是單純依靠記憶，而是根據檢索結果作答，因此能提高準確性與可追溯性。

第三個場景是推薦系統與個人化內容分發。使用者點擊過的商品、看過的影片、收藏過的文章，都能轉換成向量。系統再根據使用者興趣向量，找出內容特徵相近的商品或資訊。相較於只依分類推薦，向量方式能更細緻地捕捉偏好，例如辨識使用者偏好的是「極簡風黑色雙肩包」，而不只是廣泛的「包包類商品」。

第四類應用是多模態檢索，也就是圖片、音訊與影片等非文字資料的搜尋。例如上傳一張椅子的照片，找出外型相似的商品；輸入一句描述，找到符合風格的圖片素材；上傳一段旋律，搜尋相近的音樂片段。這些需求若只靠關鍵字很難完成，而向量資料庫正適合處理這類複雜特徵比對。

向量資料庫與一般資料庫並不是互相取代，而是互補關係。一般資料庫擅長管理結構化資料，例如訂單、帳戶、交易紀錄與庫存；向量資料庫則更適合處理非結構化內容的相似性搜尋。很多實際系統都會同時使用兩者，將業務資料放在關聯式資料庫中，將語意檢索資料存進向量資料庫，再透過 ID 進行關聯。

在選擇向量資料庫時，通常會評估幾個關鍵面向，包括檢索速度、找回效果、擴充能力，以及過濾與更新能力。因為真實業務中的資料不是一次匯入後就不再變動，而是會持續新增、刪除、調整權限與更新內容，所以資料庫是否能穩定支援這些操作也很重要。

常見的向量資料庫或相關方案包括 Milvus、Chroma，以及 Elasticsearch、PostgreSQL 搭配 PGVector 等擴充方式。不同產品的定位不同，有些偏向雲端服務、部署快速，有些適合開源自建、方便掌控，有些更適合原型驗證，有些則較適合大規模正式環境。選型時不應只看知名度，而要依據資料規模、查詢延遲需求、團隊維運能力與成本來判斷。

不過，向量資料庫也不是萬能。它擅長的是找出「相似」內容，但相似不一定代表正確。如果嵌入模型品質不佳，向量表示就可能失準；如果文件切分不合理，檢索到的片段也可能缺乏足夠上下文。此外，若只依靠向量相似度，沒有搭配關鍵字檢索、規則篩選或重排序機制，結果可能表面相關，卻無法真正回答問題。

文件切分是實務中非常關鍵但容易被忽略的一環。如果把整本手冊只轉成一個向量，資訊會過於混雜；如果每一句都獨立轉向量，又可能失去上下文。較常見的做法，是依段落、標題層級或固定長度切成內容區塊，同時保留來源、章節與頁碼等資訊。這樣在檢索到結果時，既能精準命中重點，也能方便回溯原文脈絡。

總結來說，向量資料庫是 AI 時代的重要資料基礎設施。它讓機器不只能做精確匹配，還能理解內容之間的語意接近程度。從語義搜尋、智慧客服、RAG 知識庫到多模態推薦，向量資料庫正逐漸成為連結非結構化資料與 AI 應用的關鍵核心。