向量数据库基础

向量数据库就是存向量、按相似度找最近的库。文本、图片先被模型转成一串数字，也就是向量；意思相近，向量距离就小。检索时，把问题也转成向量，再去比距离，取最接近的几条。

使用分三步：资料切块，用同一个 embedding 模型把每块转成向量存进去；查询时把问题转成向量；调相似度查询接口，拿回最接近的若干条原文。

最小示例，Python 加 Chroma 内存模式，直接照着跑：

import chromadb

client = chromadb.Client()                 # 内存模式，进程退出即清空
col = client.create_collection("docs")

col.add(
    ids=["1", "2", "3"],
    documents=["怎么申请退款", "发票怎么开", "账号被锁了怎么办"],
    embeddings=[[0.1, 0.2, 0.3], [0.9, 0.1, 0.0], [0.1, 0.9, 0.2]],  # 实际由模型生成
)

res = col.query(query_embeddings=[[0.1, 0.2, 0.31]], n_results=1)
print(res["documents"])   # 打印最相似的那条原文

跑完能看到“怎么申请退款”被返回。这里手写向量，是为了让你看清结构；真实场景的向量由模型算出来。

坑一：建库和查询必须用同一个 embedding 模型。中途换模型，向量空间对不上，召回结果就全乱了，只能重建索引。坑二：只存向量不存原文和元数据，召回后拿不到内容，没法拼进上下文；切块也不要太大，几百字一段，太长会把多个主题混在一起，相似度被稀释。