向量数据库
它是专门把文本、图像、音频等非结构化数据转成高维向量后，再进行"语义级"存储、检索与管理的专用数据库。
以「向量」为第一等公民的数据库系统，支持相似度计算（余弦、点积、欧氏距离）和高维索引（HNSW、IVF、PQ ）等。
索引结构
HNSW（分层可导航小世界）
把所有向量构建成一个"多层图"，搜索时像"导航一样跳来跳去"
其中，每个向量是一个节点，节点之间连"相似边"，此图中上层是稀疏图（快速定位），下层是密集图（精细搜索）
搜索流程：从最高层开始，每次走到"更相似的点"；一层一层往下，最后找到最近邻。
优点：查询速度快，精度高，工业界常用
缺点：内存占用大，构建索引慢
IVF（倒排索引）
先把数据"分桶"，只在相关桶里查。
类似于聚类的流程：
1、用k-means把向量分成N个簇。
2、每个簇就是一个"桶"。
3、查询时，找最近的几个簇，只在这些簇里搜索。
优点：比暴力搜索快，可扩展性强。
缺点：可能漏掉最近邻，精度略低于HNSW
PQ（乘积量化）
核心思想：把向量"压缩编码"，用查表代替距离计算。当需要查询时，预先算好距离表，直接查表（速度快）
优点：极大节省内存；适合超大规模（亿级）
缺点：有精度损失，需要训练codebook
Disk ANN(基于磁盘的神经网络)
核心思想：把索引放在磁盘上，同时还能做到接近内存及速度。
相较于HNSW，DISKANN部分在内存，大部分在磁盘。
优点：支持超大规模（10亿+），内存占用极低，性能接近HNSW。
缺点：实现复杂，强依赖磁盘性能（SSD）
常见组合
1、IVF+PQ（最经典）：先分桶，再压缩
2、HNSW+PQ：图结构+压缩
3、DiskANN：HNSW+磁盘优化
向量检索
核心概念：给定一个「查询向量」，在庞大的向量集合里毫秒级找出与其最相似的 Top-K 个向量，并返回对应原始对象（文本、图片、商品等）的过程。
应用场景 ：
1、RAG：把用户问题向量与知识库向量匹配，召回最相关段落。
2、推荐：用用户行为找相似商品/视频
3、以图搜图，异常检测等。