向量資料庫入門
向量資料庫（vector database）把文字、圖片、音訊等資料轉成嵌入向量（embedding），再用相似度搜尋找出「意思接近」的內容。它是語意搜尋、推薦系統，以及檢索增強生成（Retrieval-Augmented Generation, RAG）的核心元件。
本站先講所有產品都共用的那 20% 觀念，再依資料庫分區說明怎麼上手，並彙整官方與優質 YouTube 教學（以 iframe 內嵌）。
核心概念
學會這四件事，就能讀懂大多數向量資料庫的文件與範例：
- 嵌入（embedding）：用模型把一段文字（或一張圖）變成固定長度的數字陣列。同一個模型產出的維度必須一致，例如 384、768、1536。
- 相似度：查詢時不是比對關鍵字，而是找「向量最接近」的鄰居。文字任務最常用餘弦相似度（cosine similarity）；影像或部分模型會用 L2（歐氏距離）或內積。
- 三個核心操作：寫入（upsert / insert）、查詢（query / search，取 top-k）、用中繼資料（metadata）過濾（例如只要 2024 年、只要某產品線）。
- 近似最近鄰（Approximate Nearest Neighbor, ANN）：資料量大時不會掃完全表。HNSW 是目前最常見的預設索引；它用一點點召回率換查詢速度。
再加上 RAG 這條常見管線：切塊 → 嵌入 → 存進向量庫 → 用問題去搜 → 把命中的段落塞進 LLM 的 context。多數教學影片都在示範這條路。
怎麼選產品
本機試作、API 越短越好：先看 Chroma 或 FAISS。
已有 PostgreSQL：看 pgvector。
要託管、少維運：看 Pinecone。
要開源自架、過濾與混合搜尋強：看 Qdrant、Weaviate、Milvus。
學習路徑
-
Embedding、距離度量、HNSW／IVF、metadata 過濾與 RAG。先看這頁，再挑產品。
-
託管型向量資料庫，適合快速上線 RAG。官方有 serverless 入門影片。
-
本機就能跑的開源庫，LangChain／LlamaIndex 範例很多，適合原型。
-
Rust 實作的開源搜尋引擎，payload 過濾與 hybrid search 是強項。有官方認證課。
-
內建 vectorizer，可用 nearText 直接查文字。官方 Academy 與 YouTube 頻道完整。
-
面向大規模的開源庫；本機可用 Milvus Lite，正式環境可上 Standalone 或 Zilliz Cloud。
-
PostgreSQL 擴充。向量跟關聯資料放同一張表，可用 SQL 做 JOIN 與過濾。
-
Meta 的相似度搜尋函式庫，不是完整資料庫，但索引觀念（Flat／IVF／HNSW）幾乎處處用到。
官方學習資源
各產品的頻道、課程與認證寫在該分類首頁。先從觀念影片開始也可以：
官方／權威影音
Pinecone 頻道、Weaviate 頻道、Qdrant Academy、Zilliz／Milvus 頻道、IBM Technology：什麼是向量資料庫 都適合當第一輪輸入。彙整與內嵌見 基礎觀念影音。
官方認證課程
目前較完整的原廠認證是 Qdrant Essentials Certification。Weaviate 有 Academy 與 LinkedIn Learning 的 Vector Databases Professional Certificate。Pinecone、Chroma、Milvus 以官方文件、Learn／Bootcamp 與 YouTube 為主。