一、简介
今天简单聊聊传统数据库和向量数据库，注意我这里讲的是"和"，而不是对立的关系。
1.1.1传统数据库
它通常是指关系型数据库（比如mysql、postgresql、oracle）以及一些非关系型数据库（如mongodb、redis）。这一类传统数据库的特点就是：
- 数据结构化：数据是按照预设的schema存储，比如说是表格、文档（键值对）等。数据是标量（scalar，区别于向量，可见我的张量介绍一文）类型，如数字、字符串、日期、布尔值。
- 查询方式：查询的核心是精确匹配（where name="张三"）、范围查询（where...between...and...）（where age>30）、排序（order by....）
- ACID特性：关系型数据库强调事务的原子性、一致性、隔离性、持久性，保证数据的可靠。
常见应用：用户信息管理、订单系统等结构化数据场景。
1.1.2举例
- 关系型数据库（RDBMS）
MySQL：开源、广泛使用，适合Web应用。
PostgreSQL：功能强大，支持复杂查询、JSON、GIS等。
Oracle Database：企业级，高可用、高安全。
Microsoft SQL Server：Windows生态友好，商业支持强。
SQLite：轻量级，嵌入式场景常用。
- NoSQL 数据库
a) 文档型
MongoDB：灵活 schema，适合内容管理、日志等。
Couchbase：高性能键值+文档混合模型。
b) 键值型
Redis：内存为主，常用于缓存、实时分析。
DynamoDB：AWS托管服务，适合大规模无模式数据。
c) 列族型
Apache Cassandra：分布式、高写入吞吐，适合物联网、时序数据。
HBase：基于Hadoop生态，适合大数据场景。
d) 图数据库
Neo4j：擅长社交网络、推荐系统等图结构数据。
Amazon Neptune：托管图数据库服务。
1.2.1向量数据库
它通常是专门处理向量嵌入而设计的一类数据库。例如milvus。向量嵌入（vector embedding）是指将非结构化数据（比如说文本、语音、图像等）通过embedding转换成浮点数数组（例如0.12, -0.34, 0.87, ...）这一类数据库的特点：
- 相似搜索
- 数据结构：它里面的数据多是高维向量。它也可以存储元数据。
- 查询方式：它不是找完全一样的数据，而是找"最相似"的数据。使用余弦相似度或者欧氏距离等去度量两个向量之间的"语义距离"。
常见应用：语义搜索、图像/视频搜索、推荐系统、RAG、异常检测等等场景。
1.2.2常见的向量数据库
|---------------------|-----------------------------|--------------|
| 名称 | 特点 | 适合场景 |
| Milvus | 开源、可扩展、支持多种索引类型 | 大规模向量检索、AI应用 |
| Pinecone | 全托管云服务，API友好 | 快速集成、生产环境 |
| Weaviate | 支持混合搜索（文本+向量）、GraphQL | 知识图谱、语义搜索 |
| Qdrant | 高性能、Python/Go SDK完善 | 推荐系统、RAG应用 |
| Faiss（Facebook） | Facebook开源库，非独立数据库但常被封装使用 | 离线训练、本地部署 |
| Elasticsearch（7.x+） | 支持稠密向量搜索，可结合全文检索 | 混合搜索需求 |
| pgvector | PostgreSQL插件，将向量能力引入传统RDBMS | 团队希望统一架构的情况 |
二、他俩关系以及配合
传统数据库和向量数据库不是互相取代的关系，而是互补关系。在企业级应用中，两者常常结合使用。
总结1：
- 传统数据库处理精确的、结构化的、事务性数据。
- 向量数据库处理模糊的、非结构化的、语义性数据，擅长相似性搜索。
- 两者合作，可以构建出功能更强大、体验更智能的现代应用。
总结2：
如果各位观众姥爷觉得本文有用的话，希望能够一键三连！你们的点赞关注是作者持续创作的动力！下次作者将简单聊聊Milvus包括检索方式、排序等等。