向量搜索：让电脑理解你的搜索意图

什么是向量搜索？

想象一下，你在一个巨大的图书馆里找书。传统的搜索方式就像用关键词查找：你输入"编程"，系统只能找到标题或描述里包含"编程"这两个字的书。

但向量搜索更聪明。它不仅能找到包含你输入关键词的内容，还能找到意思相近的内容。比如你搜索"编程"，它也能找到"代码"、"软件开发"、"写程序"等相关内容。

为什么需要向量搜索？

传统搜索的局限

假设你想找一个"屏幕录制工具"，但你输入的是"recorder"（录制器）。传统的文本搜索可能找不到，因为产品描述里写的是"screen recorder"（屏幕录制器），而不是你输入的"recorder"。

向量搜索的优势

向量搜索能够理解：

"recorder" 和 "screen recorder" 是相关的
"编程" 和 "写代码" 意思相近
"AI工具" 和 "人工智能应用" 是同一类东西

向量搜索是如何工作的？

第一步：把文字变成数字（向量化）

电脑无法直接理解文字，但它很擅长处理数字。所以我们需要把文字转换成数字，这个过程叫做"向量化"。

举个例子：

假设我们要把"屏幕录制工具"这句话转换成数字。AI模型会分析这句话的含义，然后生成一串数字，比如：

复制代码

[-0.055, 0.033, -0.042, -0.041, -0.041, 0.020, 0.071, ...]

这串数字有384个（这个数字叫做"维度"），每个数字都代表了这句话的某个特征。

第二步：建立产品向量库

在搜索之前，我们需要先把所有产品的描述都转换成向量，建立一个"向量库"。

就像这样：

产品名称	产品描述	向量（简化版）
Onyx	Free, local-first 4K screen recorder	[0.074, 0.004, -0.022, ...]
产品A	AI编程助手	[0.123, -0.045, 0.067, ...]
产品B	视频编辑工具	[-0.089, 0.156, -0.023, ...]

每个产品都有一个384维的向量，就像每个产品都有一个"数字身份证"。

第三步：计算相似度

当你输入搜索词（比如"recorder"）时：

把你的搜索词也转换成向量

复制代码

你的搜索："recorder"
转换后的向量：[0.045, -0.009, 0.051, ...]

计算你的向量和每个产品向量的相似度

这里用到一个叫做"余弦相似度"的数学方法。简单理解就是：两个向量的方向越接近，相似度越高。

生活化的比喻：
- 想象两个箭头，如果它们指向同一个方向，相似度就高
- 如果它们指向相反的方向，相似度就低（甚至是负数）
按相似度排序

相似度越高，说明产品越符合你的搜索意图。

余弦相似度：如何判断两个东西像不像？

简单理解

余弦相似度是一个0到1之间的数字（有时也可能是-1到1）：

1.0 = 完全一样
0.8-0.9 = 非常相似
0.5-0.7 = 比较相似
0.0 = 完全不相关
负数 = 意思相反

计算过程（简化版）

虽然计算过程涉及数学，但我们可以用简单的例子理解：

假设有两个向量：

向量A：[1, 2, 3]
向量B：[2, 4, 6]

计算步骤：

对应位置相乘后相加：1×2 + 2×4 + 3×6 = 2 + 8 + 18 = 28
计算每个向量的"长度"（范数）
用第一步的结果除以两个长度的乘积

结果越接近1，说明两个向量越相似。

实际应用示例

场景：搜索"屏幕录制工具"

步骤1：输入搜索词

复制代码

用户输入："recorder"

步骤2：转换为向量

复制代码

AI模型分析"recorder"的含义
生成向量：[0.045, -0.009, 0.051, 0.003, -0.113, ...]
（共384个数字）

步骤3：与产品向量库比较

系统会计算你的搜索向量与所有产品向量的相似度：

产品	相似度	说明
Onyx (屏幕录制工具)	0.365	很相关！
产品A	0.205	有点相关
产品B	0.194	不太相关
...	...	...

步骤4：返回结果

系统会按照相似度从高到低排序，把最相关的产品展示给你。

为什么有时候搜索结果不理想？

1. 拼写错误

例子： 你输入"recoder"（拼写错误），但产品描述里写的是"recorder"（正确拼写）

传统搜索：找不到（因为拼写不匹配）
向量搜索：可能找到，但相似度会降低（因为AI能理解这是拼写错误）

解决方案： 检查拼写，使用正确的单词

2. 语义差异

例子： 你搜索"recoder"，但AI可能把它理解为"重新编码"而不是"录制器"

相似度可能是负数（-0.007），说明意思完全相反
排名会很低（第487位）

解决方案： 使用更准确的搜索词，比如"screen recorder"而不是"recorder"

3. 向量质量

如果向量生成得不好，相似度计算就不准确。这通常是因为：

使用的AI模型不够好
产品描述不够详细
向量没有正确归一化（标准化）

向量归一化：为什么重要？

什么是归一化？

归一化就是把向量的"长度"调整到1。就像把不同长度的尺子都统一成标准长度。

为什么要归一化？

想象两个产品：

产品A的描述很长，向量"长度"是10
产品B的描述很短，向量"长度"是5

如果不归一化，描述长的产品总是会得到更高的相似度，这不公平。

归一化后，所有向量的长度都是1，这样比较才公平。

如何检查是否归一化？

计算向量的"范数"（长度）：

如果范数 = 1.0，说明已经归一化
如果范数 ≠ 1.0，说明需要归一化

向量搜索 vs 传统搜索

特性	传统搜索	向量搜索
匹配方式	关键词完全匹配	语义相似匹配
拼写错误	找不到	可能找到
同义词	找不到	能找到
理解上下文	不能	可以
计算成本	低	高
准确性	依赖关键词	依赖向量质量

总结

向量搜索就像给电脑装了一个"理解语言"的大脑：

把文字变成数字：用AI模型把文字转换成向量
建立向量库：把所有产品都转换成向量存储起来
计算相似度：用余弦相似度找出最相关的产品
返回结果：按相似度排序，展示最匹配的产品

虽然技术很复杂，但使用起来很简单：你只需要输入你想找什么，系统就能理解你的意图，找到相关的产品。

常见问题

Q: 为什么搜索"recorder"找不到"screen recorder"？

A: 可能是因为：

拼写错误（"recoder" vs "recorder"）
AI模型把"recoder"理解成了其他意思
相似度太低，被过滤掉了

建议： 使用更准确的搜索词，比如"screen recorder"

Q: 相似度多少才算匹配？

A: 通常：

> 0.3：比较相关
> 0.5：很相关
> 0.7：非常相关
< 0.1：可能不相关

但具体阈值取决于你的应用场景。

Q: 向量搜索一定比传统搜索好吗？

A: 不一定。向量搜索适合：

需要理解语义的场景
处理同义词和拼写变化
需要找到"意思相近"的内容

传统搜索适合：

精确匹配关键词
需要快速响应
资源有限的情况

最好的方案是结合使用：先用向量搜索找到相关结果，再用传统搜索精确匹配。

本文基于 Product Hunt 每日热榜的向量搜索https://product-hunt-daily.vercel.app/实现编写，旨在帮助非技术用户理解向量搜索的基本原理。