建立 2026-09-15 更新 2026-09-15

基礎觀念

這一頁講所有向量資料庫共用的核心：資料怎麼變成向量、查詢時比什麼、索引為什麼能變快，以及 RAG 怎麼接上。看完就能對照各產品文件裡的 dimension、metric、top_k 與 filter。

影音彙整見 基礎觀念影音。

嵌入向量是什麼

嵌入模型讀一段文字（或一張圖），輸出一串浮點數，例如長度 384 的陣列。意思接近的句子，在這個空間裡的距離也會比較近。

因此查詢「如何退貨」有機會命中「商品寄回流程」，即使兩個句子沒有共同關鍵字。前提是：寫入與查詢必須用同一個嵌入模型，維度才對得上。

常見來源：

維度是索引的一部分。換模型通常等於重建整個 index，不能把 384 維的向量塞進 1536 維的欄位。

距離與相似度

資料庫會要你在建立 index／collection 時選定度量，之後不能隨便改。文字 embedding 多數已正規化，cosine 是預設首選。

查詢時你拿到的 score 語意依度量而變：cosine／IP 通常越大越好；L2 則是越小越好。讀文件時先確認這一點，再設門檻。

索引：為什麼需要 ANN

暴力搜尋（flat）會把查詢向量跟每一筆都算距離，結果最準，資料一多就慢。近似最近鄰（ANN）先把向量編成圖或分桶，只探訪一部分鄰居。

實務上會遇到的兩種：

• HNSW：多層小世界圖。建立較慢、記憶體較多，查詢快、召回率高。多數產品的預設。
• IVF（倒排檔）：先分群再搜幾個群集。記憶體較省，要先有足夠資料才能「訓練」群集。FAISS 教學裡很常見。

你需要記得的權衡只有一句：近似索引用少許召回率換延遲。開發時可用 flat 驗答案，上線再換 HNSW，並用 recall@k 評估。

中繼資料過濾

向量負責「像不像」，中繼資料負責「准不准」。例如：語意上像「防水外套」，但只要 price < 3000 且 in_stock = true。

各產品名稱不同（Pinecone metadata、Qdrant payload、pgvector 就是普通欄位），能力是同一件事。過濾若發生在 ANN 之前（pre-filter），結果比較可控；若只在事後過濾，可能 top-k 被濾光。這是生產環境最常踩的坑之一。

RAG 怎麼接上向量庫

文件 → 切塊（chunk）→ embedding → upsert
使用者問題 → embedding → query(top_k, filter) → 命中段落 + 問題 → LLM

切塊不要太大（超出模型 context）也不要太碎（失去上下文）。重疊（overlap）可減少句子被切斷。向量庫不管切塊策略，但檢索品質很大程度取決於它。

本站各產品怎麼對應這些觀念

官方學習資源