Oracle向量数据库实战

📢📢📢📣📣📣

作者：IT邦德

中国DBA联盟(ACDU)成员，15年DBA工作经验

Oracle、PostgreSQL ACE

CSDN博客专家及B站知名UP主，全网粉丝15万+

擅长主流Oracle、MySQL、PG、高斯及Greenplum备份恢复，

安装迁移，性能优化、故障应急处理

1.Vector DB

Oracle AI Vector Search（Oracle向量数据库）作为Oracle Database 26ai的核心AI功能，代表了企业级AI原生数据库的技术演进方向。其应用场景不仅限于传统的向量相似性搜索，更通过与企业数据的深度集成、混合搜索能力和完整的RAG支持，构建了从数据到智能的完整闭环。

2.LLM

Large Language Model，大语言模型，是生成式AI的一个类型，是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，单一模型可以执行广泛的任务，包括词法分析、文本分类、命名实体识别、关键词提取、翻译、情感分析、摘要、对话、写作文、写代码等。

3.RAG

Retrieval-Augmented Generation ，检索式增强生成方法，从企业专业知识库中检索与请求最相关的信息，并与用户请求捆绑一起作为提示，发送给LLM以获得响应。

同时，包括AI聊天等功能，也可以创建专用的知识库，来增加聊天的能力，比如更强的上下文理解能力，或者更平稳柔和倾向于人类的语言沟通。

4.AI 向量搜索

AI Vector Search 是一项创新技术，它可以大大增强信息检索，通过基于语义进行高效搜索，而不是确切的关键字。AI向量搜索是现代生成式AI 生态系统的重要组成部分。

AI应用关键革新：基于向量用于表示图像、文档、视频等的语义内容。

4.1 向量检索方法

近似搜索：内存中邻居图向量索引（ In-Memory Neighbor Graph Vector Index ）

基于图的索引，其中顶点表示向量，顶点之间的边表示相似性（例如，HNSW

索引）。

4.2 内存邻居图

邻居分区向量索引（ Neighbor Partition Vector Index ）基于分区的索引，其向量根据相似性聚类到表分区中（例如，IVF FLAT 索引）高效的横向扩展索引，提供快速无缝的事务支持。

5. 向量索引

在Oracle Vector DB中，可以在Vector数据类型列上创建vector index来提升向量检索的性能，向量索引的选择取决于organization子句:

create vector index vector_idx on vector_table (data_vector)

organization $inmemory neighbor graph \| neighbor partition$

常用2个种索引是：

bash 复制代码

In-Memory Neighbor Graph organization：HNSW
Neighbor Partition organization：IVF
也可以指定向量索引类型参数、距离函数、精度等:
create vector index vector_idx on vector_table (data_vector) organization neighbor partition parameters (num_centroids 1024);

6.向量基本操作

让我们从基本的向量操作开如：

1.字符串转换为向量

TO_VECTOR()用来将字符串类型的数字数组转换为向量类型

SELECT TO_VECTOR( ' $3,3$ ');

2.向量转换为字符串

FROM_VECTOR()用来将向量类型转换为字符串类型。

SELECT FROM_VECTOR(TO_VECTOR( ' $3,3$ ') );

3.向量间距离计算

VECTOR_DISTANCE(v1, v2, 距离策略) 是向量检索的关键操作，用来比较两个向量的距离（相似度）。

距离越大，说明相似度越小；反之，说明两个向量越相似。

Oracle支持的距离策略主要有：EUCLIDEAN, COSINE, DOT, HAMMING