向量数据库入门（二）：Embedding → 语义搜索 → RAG 日记助手

💡 上一篇我们跑通了「连接 → 建集合 → 建索引 → 插入」的最小闭环，但用的是写死的假向量 （4 个数字）。这一篇升级到真实场景 ：用 Embedding 模型把日记变成真正的向量，再搜索最相似的日记，最后串成一个能回答问题的 RAG 助手。

全流程对应 4 个文件：main.mjs → index.mjs → query.mjs → rag.mjs，是一条从简到繁、步步进阶的学习路径。

📌 这篇文章你会收获什么

理解「死向量」和「真 Embedding」的区别，学会用 text-embedding-v3 生成 1024 维向量
学会给集合定义显式 Schema（字段 + 数据类型）
掌握 search() 语义搜索，看懂 score 相似度分数
串起完整 RAG 链路：检索 → 增强 → 生成

0. 🗺️ 一张图看懂 4 个文件的关系

css 复制代码

 main.mjs   热身     假向量，理解「向量库是什么」          → 第一篇已讲
    ↓
 index.mjs  建库入库  真 Embedding：把日记变成 1024 维向量存进去
    ↓
 query.mjs  语义搜索  把问题变成向量，搜出最相似的 Top-K 日记
    ↓
 rag.mjs    RAG      把搜到的日记喂给大模型，让它「有依据地」回答

🧭 记住这条链路，它其实就是现在最火的 RAG（检索增强生成） 的完整骨架。

1. 🔁 从 main.mjs 说起：上次的「假向量」

第一篇里我们插入的数据是这样的：

js 复制代码

const data = [
  { vector: [0.1, 0.2, 0.3, 0.4], content: '这是第一条数据' },
  { vector: [0.5, 0.6, 0.7, 0.8], content: '这是第二条数据' }
];

这里的 vector 是随手写的 4 个数字------它不是任何文字的真实语义，只是「占个位置」让我们跑通流程。

⚠️ 假向量只能用来学 API 怎么用 ，做不了真正的语义搜索。要玩真的，必须用 Embedding 模型 把文字变成真向量。

2. 🧬 index.mjs：真实数据入库

2.1 为什么需要「真 Embedding」

真实向量的维度高得多，而且能反映语义 。我们这次的目标：把 5 篇日记存进一个叫 ai_dairy 的集合，每篇日记都要有：

一个 vector 字段（由日记内容生成的真实向量）
还有 content、date、mood、tags 这些普通字段

2.2 定义显式 Schema（字段 + DataType）

上次我们用 createCollection({ dimension }) 让 SDK 自动建 schema；这次我们手动定义每个字段，精度更高、也更接近真实项目：

js 复制代码

import { DataType } from '@zilliz/milvus2-sdk-node';

const VECTOR_DIM = 1024; // 向量维度，和 embedding 模型输出对齐

await client.createCollection({
  collection_name: 'ai_dairy',
  fields: [
    { name: 'id',      data_type: DataType.VarChar,     max_length: 50,  is_primary_key: true },
    { name: 'vector',  data_type: DataType.FloatVector, dim: VECTOR_DIM },
    { name: 'content', data_type: DataType.VarChar,     max_length: 5000 },
    { name: 'date',    data_type: DataType.VarChar,     max_length: 50 },
    { name: 'mood',    data_type: DataType.VarChar,     max_length: 50 },
    { name: 'tags',    data_type: DataType.Array, element_type: DataType.VarChar, max_capacity: 10, max_length: 50 }
  ]
});

字段类型一览：

字段	类型	说明
`id`	`VarChar` + 主键	字符串主键，`diary_001` 这种自定义 ID
`vector`	`FloatVector`	向量字段，`dim` 必须是 1024
`content`	`VarChar`	日记正文，最长 5000 字
`date` / `mood`	`VarChar`	日期、心情，普通字符串
`tags`	`Array`	标签数组，元素是字符串，最多 10 个

💡 对比第一篇：这次没有开 auto_id，而是自己指定主键 id ，并用 is_primary_key: true 标记。DataType 就是用来约束每个字段的数据类型的。

2.3 用 text-embedding-v3 生成 1024 维向量

核心来了------用 LangChain 的 OpenAIEmbeddings 封装，实际调用阿里云百炼的 text-embedding-v3：

js 复制代码

import { OpenAIEmbeddings } from '@langchain/openai';

const embeddings = new OpenAIEmbeddings({
  apiKey: process.env.OPENAI_API_KEY,
  model: process.env.EMBEDDINGS_MODEL_NAME,   // text-embedding-v3
  configuration: {
    baseURL: process.env.OPENAI_BASE_URL       // DashScope 兼容端点
  },
  dimensions: VECTOR_DIM                       // 固定输出 1024 维
});

const getEmbedding = async (text) => {
  return await embeddings.embedQuery(text);    // 文字 → 1024 维向量
};

🧠 关键参数 dimensions: 1024：text-embedding-v3 支持按需指定输出维度 ，这里定成 1024，正好和集合里 vector 字段的 dim 对齐。两边必须一致，否则插入/搜索会报维度不匹配。

2.4 建索引 + 加载集合（loadCollection）

js 复制代码

await client.createIndex({
  collection_name: 'ai_dairy',
  field_name: 'vector',
  index_type: IndexType.IVF_FLAT,   // 聚簇索引（第一篇讲过）
  metric_type: MetricType.COSINE
});

// ⚠️ 关键：搜索前必须先把集合加载进内存
await client.loadCollection({ collection_name: 'ai_dairy' });

⚠️ loadCollection 很容易被忽略，但搜索前必须加载 ，否则集合里的数据还没进内存，search 会查不到或报错。这是 index 阶段最后一步。

2.5 批量生成向量并插入

js 复制代码

const diaryContents = [
  { id: 'diary_001', content: '今天天气很好，去公园散步了，心情愉快。看到了很多花开了，春天真美好。', date: '2026-01-10', mood: 'happy',    tags: ['生活', '散步'] },
  { id: 'diary_002', content: '今天工作很忙，完成了一个重要的项目里程碑。团队合作很愉快，感觉很有成就感。', date: '2026-01-11', mood: 'excited', tags: ['工作', '成就'] },
  // ... 共 5 篇日记
];

// 给每篇日记并行生成向量，拼成最终要插入的数据
const diaryData = await Promise.all(
  diaryContents.map(async (diary) => ({
    ...diary,
    vector: await getEmbedding(diary.content)  // 内容 → 向量
  }))
);

const insertResult = await client.insert({
  collection_name: 'ai_dairy',
  data: diaryData
});
console.log(insertResult.insert_cnt, '条记录成功插入。');

🚀 Promise.all 让 5 篇日记并行生成向量，而不是一篇篇串行等，快得多。

2.6 完整 index.mjs

js 复制代码

import 'dotenv/config';
import { MilvusClient, MetricType, IndexType, DataType } from '@zilliz/milvus2-sdk-node';
import { OpenAIEmbeddings } from '@langchain/openai';

const ADDRESS = process.env.MILVUS_ADDRESS;
const TOKEN   = process.env.MILVUS_TOKEN;
const COLLECTION_NAME = 'ai_dairy';
const VECTOR_DIM = 1024;

const embeddings = new OpenAIEmbeddings({
  apiKey: process.env.OPENAI_API_KEY,
  model: process.env.EMBEDDINGS_MODEL_NAME,
  configuration: { baseURL: process.env.OPENAI_BASE_URL },
  dimensions: VECTOR_DIM
});

const client = new MilvusClient({ address: ADDRESS, token: TOKEN });
const getEmbedding = async (text) => await embeddings.embedQuery(text);

async function main() {
  const checkHealth = await client.checkHealth();
  if (!checkHealth.isHealthy) {
    console.error('连接失败', checkHealth.reasons);
    return;
  }

  await client.createIndex({
    collection_name: COLLECTION_NAME,
    field_name: 'vector',
    index_type: IndexType.IVF_FLAT,
    metric_type: MetricType.COSINE
  });

  await client.loadCollection({ collection_name: COLLECTION_NAME });

  const diaryContents = [
    { id: 'diary_001', content: '今天天气很好，去公园散步了，心情愉快。看到了很多花开了，春天真美好。', date: '2026-01-10', mood: 'happy',    tags: ['生活', '散步'] },
    { id: 'diary_002', content: '今天工作很忙，完成了一个重要的项目里程碑。团队合作很愉快，感觉很有成就感。', date: '2026-01-11', mood: 'excited', tags: ['工作', '成就'] },
    { id: 'diary_003', content: '周末和朋友去爬山，天气很好，心情也很放松。享受大自然的感觉真好。', date: '2026-01-12', mood: 'relaxed', tags: ['户外', '朋友'] },
    { id: 'diary_004', content: '今天学习了 Milvus 向量数据库，感觉很有意思。向量搜索技术真的很强大。', date: '2026-01-12', mood: 'curious', tags: ['学习', '技术'] },
    { id: 'diary_005', content: '晚上做了一顿丰盛的晚餐，尝试了新菜谱。家人都说很好吃，很有成就感。', date: '2026-01-13', mood: 'proud',   tags: ['美食', '家庭'] }
  ];

  const diaryData = await Promise.all(
    diaryContents.map(async (diary) => ({ ...diary, vector: await getEmbedding(diary.content) }))
  );

  const insertResult = await client.insert({ collection_name: COLLECTION_NAME, data: diaryData });
  console.log(insertResult.insert_cnt, '条记录成功插入。');
}
main().catch(console.error);

3. 🔎 query.mjs：语义搜索

数据进库了，现在做向量数据库最核心的本领------相似度检索。

3.1 把「问题」也变成向量

关键思想：查询和存储用同一个 Embedding 模型，这样「问题」和「日记」才在同一个向量空间里，才能比距离。

js 复制代码

const query = '我想看看关于户外活动的日记';
const queryVector = await getEmbedding(query);  // 问题 → 1024 维向量

3.2 search() 详解

js 复制代码

await client.connectPromise;  // 先握手，等连接就绪

const searchResult = await client.search({
  collection_name: COLLECTION_NAME,
  vector: queryVector,            // 用问题向量去搜
  limit: 2,                       // Top-K：只要最像的 2 条
  metric_type: MetricType.COSINE, // 用余弦相似度
  output_fields: ['id', 'content', 'date', 'mood', 'tags']  // 返回哪些字段
});

参数逐个看：

参数	作用
`vector`	查询向量（问题转出来的）
`limit`	返回最相似的 Top-K 条
`metric_type`	相似度算法，和建索引时一致（COSINE）
`output_fields`	除了 id 外，还想要哪些字段一起返回

3.3 score 是什么

js 复制代码

searchResult.results.forEach((item, index) => {
  console.log(`${index + 1}.[${item.score.toFixed(4)}]`);
  console.log(`ID: ${item.id}; Date: ${item.date}; Mood: ${item.mood};`);
  console.log(`Tags: ${item.tags?.join(",")};`);
  console.log(`Content: ${item.content}`);
});

item.score 是相似度分数 。COSINE 下取值范围 [-1, 1]，越接近 1 越相似
item.id / date / mood / tags / content 就是 output_fields 里要回来的字段

💡 搜「户外活动的日记」，最像的应该是 diary_003（爬山）和 diary_001（散步）------虽然它们原文里根本没有「户外活动」这四个字，但语义是相近的。这就是语义搜索和关键词搜索的本质区别。

3.4 完整 query.mjs

js 复制代码

import 'dotenv/config';
import { MilvusClient, MetricType } from '@zilliz/milvus2-sdk-node';
import { OpenAIEmbeddings } from '@langchain/openai';

const ADDRESS = process.env.MILVUS_ADDRESS;
const TOKEN   = process.env.MILVUS_TOKEN;
const COLLECTION_NAME = 'ai_dairy';
const VECTOR_DIM = 1024;

const embeddings = new OpenAIEmbeddings({
  apiKey: process.env.OPENAI_API_KEY,
  model: process.env.EMBEDDINGS_MODEL_NAME,
  configuration: { baseURL: process.env.OPENAI_BASE_URL },
  dimensions: VECTOR_DIM
});

const client = new MilvusClient({ address: ADDRESS, token: TOKEN });
const getEmbedding = async (text) => await embeddings.embedQuery(text);

async function main() {
  await client.connectPromise;

  const query = '我想看看关于户外活动的日记';
  const queryVector = await getEmbedding(query);

  const searchResult = await client.search({
    collection_name: COLLECTION_NAME,
    vector: queryVector,
    limit: 2,
    metric_type: MetricType.COSINE,
    output_fields: ['id', 'content', 'date', 'mood', 'tags']
  });

  console.log(`Search ${searchResult.results.length} results`);
  searchResult.results.forEach((item, index) => {
    console.log(`${index + 1}.[${item.score.toFixed(4)}]`);
    console.log(`ID: ${item.id}; Date: ${item.date}; Mood: ${item.mood};`);
    console.log(`Tags: ${item.tags?.join(",")};`);
    console.log(`Content: ${item.content}`);
  });
}
main().catch(console.error);

4. 🤖 rag.mjs：检索增强生成（RAG）

前面只会「找到」相关日记。但用户真正想要的是直接得到答案，比如「我最近做了什么让我快乐的事？」。这就轮到 RAG 登场了。

4.1 什么是 RAG

RAG = Retrieval-Augmented Generation（检索增强生成），三步：

markdown 复制代码

 📖 检索 Retrieve    用向量搜索从库里捞出相关日记
    ↓
 🧩 增强 Augment     把捞到的日记拼进 Prompt，作为「参考资料」
    ↓
 ✍️ 生成 Generate    大模型基于这些资料，生成有依据的回答

🎯 好处：大模型不用背下你的日记，每次现查现答，回答有出处、不瞎编（减少幻觉），而且资料更新了回答也跟着变。

4.2 检索（Retrieve）：复用 query 的能力

把「搜日记」抽成一个函数：

js 复制代码

async function retrieveDiaries(question, k = 1) {
  const queryVector = await getEmbedding(question);
  const searchResult = await client.search({
    collection_name: COLLECTION_NAME,
    vector: queryVector,
    limit: k,
    metric_type: MetricType.COSINE,
    output_fields: ['id', 'content', 'date', 'mood', 'tags']
  });
  return searchResult.results;  // 返回最相似的 k 条日记
}

4.3 增强（Augment）：把日记拼进 Prompt

js 复制代码

const content = retrievedDiaries
  .map((diary, i) => `
   [日记${i + 1}]
   日期: ${diary.date}
   心情: ${diary.mood}
   标签: ${diary.tags?.join(', ')}
   内容: ${diary.content}
  `)
  .join('\n\n----\n\n');

const prompt = `你是一个温暖贴心的AI 日记助手。基于用户的日记内容回答问题，用亲切自然的语言。
  请根据以下日记内容回答问题：
  ${content}

   用户问题: ${question}
   回答要求：
   1. 如果日记中有相关信息，请结合日记内容给出详细、温暖的回答。
   2. 可以总结多篇日记的内容，找出共同点或趋势。
   3. 如果日记中没有相关信息，请温和告知用户。
   4. 用第一人称"你"来称呼日记的作者。
   5. 回答要有同理心，让用户感到被理解和关心。
   AI助手回答：`;

💡 这段 Prompt 是 RAG 的灵魂：把检索结果塞进上下文 + 给大模型立规矩（要温暖、有同理心、没找到就直说）。写得越好，回答质量越高。

4.4 生成（Generate）：大模型来回答

js 复制代码

import { ChatOpenAI } from '@langchain/openai';

const model = new ChatOpenAI({
  temperature: 0.1,              // 低温度，回答更稳定
  model: process.env.MODEL_NAME, // qwen-plus
  apiKey: process.env.OPENAI_API_KEY,
  configuration: { baseURL: process.env.OPENAI_BASE_URL }
});

const response = await model.invoke(prompt);
console.log(response.content);   // 最终答案

4.5 完整 rag.mjs

js 复制代码

import 'dotenv/config';
import { MilvusClient, MetricType } from '@zilliz/milvus2-sdk-node';
import { ChatOpenAI, OpenAIEmbeddings } from '@langchain/openai';

const ADDRESS = process.env.MILVUS_ADDRESS;
const TOKEN   = process.env.MILVUS_TOKEN;
const COLLECTION_NAME = 'ai_dairy';
const VECTOR_DIM = 1024;

const embeddings = new OpenAIEmbeddings({
  apiKey: process.env.OPENAI_API_KEY,
  model: process.env.EMBEDDINGS_MODEL_NAME,
  configuration: { baseURL: process.env.OPENAI_BASE_URL },
  dimensions: VECTOR_DIM
});

const model = new ChatOpenAI({
  temperature: 0.1,
  model: process.env.MODEL_NAME,
  apiKey: process.env.OPENAI_API_KEY,
  configuration: { baseURL: process.env.OPENAI_BASE_URL }
});

const client = new MilvusClient({ address: ADDRESS, token: TOKEN });
const getEmbedding = async (text) => await embeddings.embedQuery(text);

async function retrieveDiaries(question, k = 1) {
  const queryVector = await getEmbedding(question);
  const searchResult = await client.search({
    collection_name: COLLECTION_NAME,
    vector: queryVector,
    limit: k,
    metric_type: MetricType.COSINE,
    output_fields: ['id', 'content', 'date', 'mood', 'tags']
  });
  return searchResult.results;
}

async function answerDiaryQuestion(question, k = 2) {
  const retrievedDiaries = await retrieveDiaries(question, k);
  if (retrievedDiaries.length === 0) {
    console.log('没有找到相关日记');
    return;
  }

  const content = retrievedDiaries
    .map((diary, i) => `[日记${i + 1}]\n日期: ${diary.date}\n心情: ${diary.mood}\n标签: ${diary.tags?.join(', ')}\n内容: ${diary.content}`)
    .join('\n\n----\n\n');

  const prompt = `你是一个温暖贴心的AI 日记助手。基于用户的日记内容回答问题，用亲切自然的语言。
  请根据以下日记内容回答问题：
  ${content}

  用户问题: ${question}
  回答要求：
  1. 如果日记中有相关信息，请结合日记内容给出详细、温暖的回答。
  2. 可以总结多篇日记的内容，找出共同点或趋势。
  3. 如果日记中没有相关信息，请温和告知用户。
  4. 用第一人称"你"来称呼日记的作者。
  5. 回答要有同理心，让用户感到被理解和关心。
  AI助手回答：`;

  const response = await model.invoke(prompt);
  console.log(response.content);
}

async function main() {
  await client.connectPromise;
  await answerDiaryQuestion('我最近做了什么让我感到快乐的事情？', 2);
}
main().catch(console.error);

运行：

bash 复制代码

node src/rag.mjs

5. 🧭 总结 & 环境配置

这一篇的 4 个文件，串起了一条完整的 RAG 链路：

文件	阶段	核心动作
`main.mjs`	热身	假向量跑通流程
`index.mjs`	建库入库	显式 Schema + 真 Embedding + `loadCollection`
`query.mjs`	语义搜索	问题 → 向量 → `search` → Top-K + `score`
`rag.mjs`	RAG	检索 + 增强 Prompt + `qwen-plus` 生成回答

配套的 .env 需要这些变量（密钥请填你自己的真实值）：

env 复制代码

# Milvus 向量库
MILVUS_ADDRESS=https://你的集群地址.cloud.zilliz.com.cn
MILVUS_TOKEN=你的API-KEY

# OpenAI 兼容接口（阿里云百炼 DashScope）
OPENAI_API_KEY=你的百炼API-KEY
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

# 模型
EMBEDDINGS_MODEL_NAME=text-embedding-v3   # 生成向量
MODEL_NAME=qwen-plus                      # 对话大模型

依赖：

json 复制代码

{
  "dependencies": {
    "@langchain/openai": "^1.5.10",
    "@zilliz/milvus2-sdk-node": "^3.0.4",
    "dotenv": "^17.4.2"
  }
}