你在搜索引擎搜「好吃的水果」，它能找到「苹果很甜」——虽然搜索词和结果没有完全匹配的关键词。这种「理解语义」的搜索能力，背后就是向量数据库。

核心概念：向量数据库把文本/图片转化为一组数字（向量），然后通过计算向量之间的「余弦相似度」来找到语义最接近的内容。这是 AI 搜索、推荐系统、RAG（检索增强生成）的核心技术。一段文本的向量通常有上千个维度。

向量搜索体验

向量数据库和传统数据库最大的区别是什么？

• 向量数据库速度更快
• 向量数据库能理解语义相似性
• 向量数据库不需要存储数据
• 向量数据库只能存文本

向量搜索的核心是「相似度计算」。语义相近的词（如「国王」和「王后」）向量距离很近，不相关的词（如「国王」和「苹果」）距离很远。来亲手试试——

词向量相似度

向量数据库在 AI 应用中的核心场景：RAG 检索增强（让 AI 基于你的文档回答问题）、语义搜索（比关键词搜索更智能）、推荐系统（找到相似的商品/内容）。常见的向量数据库有 Pinecone、Weaviate、Chroma，以及 Supabase 的 pgvector 扩展。

向量数据库是 AI 应用的标配。当你需要「智能搜索」或「让 AI 基于你的文档回答问题」时，就需要用到它。恭喜你完成了数据库篇章的全部学习！