什么是向量数据库？它和 MySQL 这类传统数据库有什么本质区别，为什么能在海量向量里快速找到最相似的几条？
向量检索
答案要点 向量数据库存的是 embedding（把文本、图片等编码成的一串数字），核心操作是"找最相似的 Top-K"，而不是精确匹配 传统数据库回答"等于/大于"这类精确问题，向量数据库回答"和它最像的是哪几条"这类语义问题 逐条暴力比对是 O(N)，千万级向量下每次查询都算不动，所以要用 ANN（近似最近邻） ANN 的思路是提前建好索引，查询时只看一小部分"候选区域"，用少量精度换几个数量级的速度 常见索引：HNSW（分层图）、IVF（先聚类再查桶）、PQ（压缩向量省内存） 核心概念 向量数据库是一类专门存储高维向量、并按"相似度"进行检索的数据库：文本、图片先经过 embedding 模型编码成几百到几千维的向量，语义越接近的内容，向量在空间中的距离越近；查询时输入一个查询向量，数据库返回距离最近的 Top-K 条记录。这正是 RAG（检索增强生成）里"根据问题找相关文档"这一步的基础设施。 和传统数据库的对比 | 维度 | 传统数据库（MySQL） | 向量数据库（Milvus/Faiss 等） | |------|------|------| | 存什么 | 结构化行数据 | 高维向量 + 元数据 | | 怎么查 | 精确条件（WHERE） | 相似度 Top-K（近邻搜索） | | 结果 | 完全匹配的集合 | 按距离排序的"最像的几条" | | 典型索引 | B+ 树 | HNSW / IVF / PQ | ANN 为什么快 暴力检索要把查询向量和库里每一条都算一次距离，N 条就是 N 次计算，规模一大就扛不住 ANN 提前建索引：比如 HNSW 把向量组织成多层"高速公路网"，查询时从高层粗定位、逐层往下细找，只访问极少数节点 代价是"近似"：可能漏掉个别真正的最近邻，用召回率（找回来多少真答案）衡量；实践中 95%+ 的召回换来毫秒级响应，非常划算 入门之后，可以往 HNSW/IVF 的原理细节、召回率与延迟的权衡、混合检索方向深入。
口语版讲法(约2分钟)
- 一句话定义：专门存向量、回答"谁和它最像"的数据库
- 传统数据库查精确条件，向量数据库查语义相似
- 暴力比对 O(N) 扛不住，所以用 ANN 近似检索
- 图书馆比喻：分区索引 vs 逐本翻书，精度换速度
- 埋钉子：HNSW 分层图索引
如果让我一句话解释，向量数据库就是一个专门存向量、专门回答"谁和它最像"的数据库。 展开说一下。传统数据库比如 MySQL，擅长回答精确问题，比如"查订单号等于 123 的记录"，要么命中要么没有。但大模型时代很多需求是模糊的语义问题，比如"找和这个提问意思最接近的文档"。做法是先用 embedding 模型把文本变成一串数字，也就是向量，意思越接近的文本，向量之间的距离就越近。向量数据库干的事，就是在几百万甚至几千万条向量里，快速找出离查询向量最近的前几条。 这里有个关键问题：最笨的办法是把查询向量和库里每一条都比一遍，一千万条就要算一千万次距离，每次查询都这么算肯定扛不住。所以向量数据库都用 ANN，也就是近似最近邻。打个比方，暴力检索像在图书馆里逐本翻书找最相关的一本；ANN 像图书馆提前做好了分区和索引，你先走到对应的主题区，再在那一小片书架里细找，速度快好几个数量级，代价是偶尔可能漏掉一两本真正最相关的书。这个"找回来多少真答案"用召回率来衡量，工程上通常用 95% 以上的召回换毫秒级的响应，非常划算。 在 RAG 系统里，向量数据库就是"根据问题找相关文档"那一步的地基，检索又快又准，大模型的回答才有可靠的材料。 最后主动提一句，ANN 里最主流的索引是 HNSW，它把向量组织成一个多层的图，像高速公路网一样从高层粗定位、逐层往下精找，我对它的建图和查询过程也做过一些了解，可以展开聊。
关键一句:向量数据库查的是"相似度 Top-K"而不是精确匹配，快的关键在 ANN 用预建索引和少量精度换速度。
面试官可能的追问
- 【概念辨析】MySQL 也能存一列数字数组，为什么不直接在 MySQL 里算相似度，非要引入一个向量数据库？两者的本质分工差在哪？
- 【场景切入】假设要给公司十万篇文档做语义搜索，用户输入一句话就能找到意思最接近的文档，你会怎么存、怎么查？暴力逐条比对行不行？