oracle-vector-search-article_精简版

Oracle 26ai 向量搜索实战：把语义搜索塞进数据库

传统做法：数据在 Oracle，向量在 Pinecone/Milvus，两边同步是噩梦。Oracle 26ai 的思路：AI 模型搬到数据旁边，而不是数据搬到 AI 旁边。 一个库搞定全部。

5 步跑通语义搜索

1. 建表

sql 复制代码

CREATE TABLE docs (
  id   NUMBER PRIMARY KEY,
  text CLOB,
  vec  VECTOR(384, FLOAT32)   -- 原生列类型，384 维
);

精度选择：FLOAT32（默认，4字节）| INT8（省空间，1字节）| FLOAT64（高精度，8字节）

2. 加载嵌入模型（ONNX 格式，数据库内直接跑）

sql 复制代码

BEGIN
  DBMS_VECTOR.LOAD_ONNX_MODEL(
    directory  => 'ONNX_DIR',
    file_name  => 'all_MiniLM_L12_v2.onnx',
    model_name => 'MINILM',
    metadata   => JSON('{"function":"embedding","embeddingOutput":"embedding","input":{"input":["DATA"]}}')
  );
END;
/

3. 生成嵌入

sql 复制代码

-- 插入时实时生成
INSERT INTO docs VALUES (1, 'Oracle 支持向量搜索',
  VECTOR_EMBEDDING(MINILM USING 'Oracle 支持向量搜索' AS DATA));

-- 批量补嵌入
UPDATE docs SET vec = VECTOR_EMBEDDING(MINILM USING text AS DATA) WHERE vec IS NULL;

4. 建索引

sql 复制代码

-- HNSW：查询快，适合百万级（推荐）
CREATE VECTOR INDEX docs_hnsw ON docs(vec)
  ORGANIZATION INMEMORY NEIGHBOR GRAPH
  WITH DISTANCE COSINE
  PARAMETERS (type HNSW, neighbors 32, efconstruction 200);

-- IVF：构建快，省内存，适合千万级+
CREATE VECTOR INDEX docs_ivf ON docs(vec)
  ORGANIZATION NEIGHBOR PARTITIONS
  WITH DISTANCE COSINE WITH TARGET ACCURACY 95
  PARAMETERS (type IVF, neighbor partitions 10);

5. 搜索

sql 复制代码

SELECT id, text FROM docs
ORDER BY VECTOR_DISTANCE(vec,
  VECTOR_EMBEDDING(MINILM USING '如何做向量搜索' AS DATA), COSINE)
FETCH APPROXIMATE FIRST 5 ROWS ONLY WITH TARGET ACCURACY 95;

杀手锏：混合搜索

语义搜索 + 业务过滤，一条 SQL 搞定，独立向量库做不到。

sql 复制代码

-- "轻便跑鞋"，500 元以内、有库存
SELECT name, price FROM products
WHERE  price <= 500 AND stock > 0 AND category = '鞋类'
ORDER BY VECTOR_DISTANCE(embedding,
  VECTOR_EMBEDDING(PROD_MODEL USING '轻便跑鞋' AS DATA), COSINE)
FETCH APPROXIMATE FIRST 20 ROWS ONLY WITH TARGET ACCURACY 90;

接地气的例子：客服工单自动匹配

sql 复制代码

-- 建表
CREATE TABLE tickets (
  id NUMBER PRIMARY KEY, question VARCHAR2(1000),
  answer CLOB, q_vec VECTOR(384, FLOAT32)
);

-- 导入历史数据 + 生成嵌入
INSERT INTO tickets (question, answer, q_vec)
SELECT question, answer,
       VECTOR_EMBEDDING(MINILM USING question AS DATA)
FROM legacy_tickets;

-- 建索引
CREATE VECTOR INDEX t_idx ON tickets(q_vec)
  ORGANIZATION INMEMORY NEIGHBOR GRAPH
  WITH DISTANCE COSINE
  PARAMETERS (type HNSW, neighbors 32, efconstruction 200);

-- 新工单："课程视频打不开"，自动找历史相似解法
SELECT question, answer FROM tickets
WHERE answer IS NOT NULL
ORDER BY VECTOR_DISTANCE(q_vec,
  VECTOR_EMBEDDING(MINILM USING '课程视频打不开' AS DATA), COSINE)
FETCH APPROXIMATE FIRST 3 ROWS ONLY WITH TARGET ACCURACY 90;

以前客服手动翻 5 分钟，现在 SQL 3 秒出结果。

RAG 切块

长文档不能直接嵌入，Oracle 内置切块：

sql 复制代码

CREATE TABLE doc_chunks AS
SELECT d.id, c.chunk_id, c.chunk_text,
       VECTOR_EMBEDDING(MINILM USING c.chunk_text AS DATA) AS vec
FROM documents d,
     TABLE(DBMS_VECTOR_CHAIN.UTL_TO_CHUNKS(
       d.text, JSON('{"by":"words","max":200,"overlap":20}'))) c;

对比独立向量库

	Oracle 26ai	Pinecone/Milvus
数据同步	不需要，就在库里	必须搞同步管道
混合查询	一条 SQL	向量查完再回业务库过滤
事务	ACID	最终一致
运维	零额外	部署+监控+扩缩容
成本	已有 Oracle 就免费	额外付费

踩坑

内存：HNSW 全在内存，百万级至少 4GB Vector Pool
模型大小：ONNX 模型累计上限 2GB，仅支持 Linux
文本长度：单条最长 4000 字符，超长需先切块
驱动：19c/21c 客户端看到 VECTOR 是 CLOB，需最新驱动
索引限制：TRUNCATE 表后向量索引失效需重建

一句话总结

建 VECTOR 列 → 加索引 → 一条 SQL 语义搜索，不用独立向量库。HNSW 吃内存、模型有大小限制，大数据量先算好资源再上车。