隆重推出 Eleven v4认识 Eleven v4,这是我们迄今情感表现最丰富的模型。
探索跳至内容登录注册联系销售团队登录向量数据库是一种存储系统,允许 AI 模型根据语义相似度查询和检索非结构化数据。它能帮助 AI 利用训练数据之外的知识生成回答。
向量数据库以大语言模型易于处理的格式存储信息。它们为 AI 模型提供额外信息,以生成相关且准确的答案。
本指南将介绍什么是向量数据库、它的工作原理、常见使用场景、类型和示例,以及它与关系数据库和图数据库的比较。
摘要
- 向量数据库将学习到的特征表示以向量嵌入形式存储在多维空间中。
- 传统数据库依赖关键词匹配,而向量数据库则会在收到查询时检索语义相似的数据。
- 向量数据库存储内部文档,帮助语音 AI 和客户服务利用 RAG 系统.
- 提供具备上下文感知能力的回答。聊天机器人、AI 搜索引擎和 对话式 AI 等应用都能受益于向量数据库所支持的语义搜索和非结构化数据类型。
- 向量数据库与图数据库不同。图数据库连接相关实体,利用图遍历算法支持多跳查询;向量数据库则适合需要额外上下文的直接查询。
什么是向量数据库?它存储什么?
向量数据库将数据存储为称作嵌入的数值表示,从而为 AI 模型提供低延迟的语义搜索。传统数据库以行和列存储信息,而向量数据库则根据语义相似性,将嵌入聚集在多维空间中。
在 AI 中,“维度”一词用于描述特定对象的学习特征或特性。例如,你可以把狗想象成具有毛色和品种等维度。实际应用中,学习所得嵌入里的单个维度很少能对应某一项可理解的特征。
生成式 AI 应用,尤其是连接外部知识源的应用,会使用向量数据库加快检索速度。检索系统不会在传统数据库中搜索完全匹配的关键词,而是会在向量数据库中寻找最相似的嵌入。
假设一位客户来电,请你推荐一件“蓝色毛衣”。使用传统数据库时,你会寻找符合“蓝色”和“毛衣”这两个属性的商品。然而,如果客户想要“适合长途飞行、穿起来舒适的服装”,传统数据库就无法给出答案。
而向量数据库能够捕捉请求的语义。系统将其映射到向量空间后,会返回运动裤、连帽衫和旅行枕等具有高度相关特征表示的商品。这种匹配语义的能力正是向量数据库区别于传统数据库之处。

向量嵌入:将语音、文本和图像转换为数字
向量嵌入是表示文本、图像和视频等非结构化数据的数值数组,使 AI 模型能够轻松处理这些数据。
向量是数字在不同维度上的数学表示。然而,向量本身无法捕捉特定数据集的上下文、结构和含义。
例如,浮点数列表 [0.82, 0.14, 0.67] 是一个向量,但它所表示的内容由嵌入模型决定。
嵌入会捕捉数据的属性,并将其作为向量存储在多维空间中。它们赋予原本只是一串数字的内容以含义。向量中的每个数字都是学习所得表示的一个维度。
假设你想在向量数据库中存储客户案例。你可以使用嵌入模型将工单类型转换为嵌入,使其在各个维度上具有不同的值。以下数值经过简化,仅用于说明。
客户问题
嵌入
订单取消后的退款延迟
[0.85, 0.90, 0.10]
退款超出预期处理时间仍未到账
[0.88, 0.87, 0.12]
因登录失败而无法访问账户
[0.10, 0.15, 0.95]
尽管原因不同,这两个退款问题在第一和第二维度上的数值都较高,而登录问题在第三维度上的数值最高。嵌入模型通常会生成数百甚至数千个维度,因此向量数据库专为快速比较这些维度而构建。

向量数据库如何工作?
向量数据库将非结构化数据转换为嵌入,将其存储在多维空间中,并支持语义相似度搜索。在一定程度上,彼此高度相关的嵌入在向量空间中的距离会更小。
向量数据库收到查询后,会使用近似最近邻(ANN)算法检索最相似的嵌入,而无须扫描整个数据库。
以下是设置向量数据库并从中检索数据的各个阶段。

嵌入的存储
首先,嵌入模型将非结构化数据转换为嵌入。每个嵌入都表示能够体现现实世界对象语义的特征。然后,系统将这些嵌入连同原始数据和元数据一起存入向量数据库。
由于含义相似的嵌入在向量空间中的位置彼此接近,数据库可以通过测量向量之间的距离来检索相关匹配项。
通过索引加快检索
索引是对向量嵌入进行组织以提高检索效率的过程。向量数据库使用多种索引技术,将密切相关的嵌入归为一组。例如,向量数据库可以根据检索需求采用列表、图或树结构。
除了建立索引,向量数据库还可能使用一种称为乘积量化的技术来压缩数据。乘积量化会将嵌入压缩为紧凑的编码,以轻微损失搜索准确率为代价节省内存。
查询语义相关的数据
收到查询时,向量数据库会将其转换为嵌入。然后,它使用余弦相似度、点积和欧氏距离等技术,将查询的嵌入与向量多维数据库中存储的嵌入进行比较。
向量数据库会根据比较结果返回语义相似度得分最高的嵌入,生成式 AI 应用利用这些嵌入来增强答案。存储、索引和查询三者结合,使数据库能够快速返回相关结果。
向量搜索和相似度搜索如何返回相关结果
相似度搜索是信息匹配系统的一个广泛类别。它既包括匹配查询中确切词语的关键词方法,也包括按含义进行匹配的向量搜索。
向量搜索使用向量数据库返回语义相关的答案。它不会进行精确的关键词搜索,而是比较查询与候选答案之间的距离,从中选择最合适的结果。
向量数据库通常会先使用元数据对嵌入进行预筛选,然后再执行相似度搜索。例如,它可以筛选特定时间范围内的嵌入,从而缩小搜索范围。这样可以加快检索速度。

向量数据库在语音 AI 和客户支持中的用例
向量数据库可帮助客户支持团队部署能够依据准确产品知识作答的语音 AI 和聊天机器人。在 AI 驱动的客户支持系统中,向量数据库会存储产品指南、业务政策和客户案例等专有知识库。
该 AI 智能体 通过检索增强 生成(RAG) 系统连接到向量数据库。
当 AI 语音智能体 收到查询时,它会检查自己是否掌握足够的信息来回答客户的问题。如果缺少最新或充分的数据,RAG 就会检索语义匹配的数据来增强答案。
假设语音智能体收到以下投诉:“我的搅拌机用了两周就不转了。我能退款吗?”RAG 不会搜索“不转”和“退款”等完全匹配的关键词,而是将请求转换为嵌入,然后检索含义最接近的退款政策。
由向量数据库支持的 RAG 系统通过检索相关内部文档,有助于减少 语音智能体中的幻觉,但无法将其彻底消除。AI 智能体和人工客服都可以使用内部文档来解决客户问题,而不是凭空猜测。

向量数据库与关系数据库:主要区别
关系数据库使用行和列以及固定模式来存储数据。向量数据库则使用嵌入来表示非结构化数据。
关系数据库适合精确匹配和结构化查询,例如查找某一天提交的所有订单。另一方面,向量数据库会检索与查询含义最接近的已存储嵌入,因此更适合处理自然语言问题。
大多数情况下,团队会同时使用这两种数据库,因为它们在数据处理中各有用武之地。
向量数据库与图数据库:分别应在何时使用
图数据库使用知识图谱连接不同实体,从而反映实体之间的层级和关系。GraphRAG 等 AI 系统使用图数据库来回答需要多跳推理的查询。
查询图数据库时,它会找到起始数据点,并使用图遍历算法查找相关实体。例如,客户姓名可以依次关联到续约日期和支持工单。
与此同时,向量数据库使用基于语义含义的数值表示来存储非结构化数据。它们能让 RAG 系统以极低延迟完成简单的查询匹配。例如,在处理“我想退款”时,向量数据库会找出退款政策。
向量数据库和图数据库都能为 AI 系统提供实用价值。你可以将两者结合使用:
- 如果你希望为必须理解人类语言意图的聊天机器人、语音智能体或 AI 搜索引擎提供支持,请使用向量数据库。
- 如果你希望解决相互依赖问题,例如追踪供应链、推荐相关产品或执行根本原因分析,请使用图数据库。

有哪些类型的向量数据库?
一般来说,向量数据库可按架构风格分为两类。
- 独立向量数据库:这是为低延迟多维相似度搜索专门构建的独立数据库。许多生成式 AI 应用会连接独立向量数据库,以扩展高负载查询工作。
- 向量数据库扩展:现有数据库可以引入向量搜索功能,使 AI 模型能够进行基于语义的检索。这类数据库会保留原有架构,例如基于 SQL 行的模式,同时提供对向量数据类型的支持。
两者之间的选择主要取决于:你是需要一个处理大量查询负载的专用系统,还是希望为已经运行的数据库增添语义搜索功能。
向量数据库示例
以下是两类向量数据库的示例:
- 独立向量数据库:Pinecone 是一种托管式向量数据库服务。Milvus、Weaviate、Qdrant 和 Chroma 都是开源向量数据库。
- 向量数据库扩展:pgvector 为 PostgreSQL 添加了向量相似度搜索功能,而 MongoDB Atlas Vector Search 则为 MongoDB 添加了这一功能。
哪一种更适合你,取决于你的业务规模以及你愿意管理多少基础设施。
开始使用 ElevenAgents 构建支持检索的语音智能体
ElevenAgents 可让语音智能体从你自己的知识库中检索信息,从而提供自然且能感知上下文的回答。通过使用 RAG,智能体可以从你添加到知识库的文档、URL 或文本中检索语义最相似的内容。你可以将检索设置为“按需”,使智能体仅在判断有需要时才搜索知识库。
可以理解,实施 RAG 会增加响应生成延迟。不过,得益于我们的工程技术进步,我们已将 将 ElevenAgents 的 RAG 延迟中位数从 326 毫秒降至 155 毫秒。
开始使用 ElevenAgents ,并了解 如何在此设置你的知识库.
常见问题
向量数据库包括独立数据库和集成了向量功能的数据库。独立向量数据库专为端到端向量操作而构建。与此同时,集成了向量功能的数据库既支持语义相似度搜索,又能保留现有的数据架构。
向量嵌入将现实世界的数据表示为数字,使 AI 系统能够按含义进行比较。它们支持语义相似度搜索和基于 RAG 的系统;在这类系统中,系统会根据概念相关性检索数据,并用这些数据作为回答的依据。
Pinecone、Milvus、Weaviate、Qdrant 和 Chroma 都是独立向量数据库的示例。带有 pgvector 扩展的 PostgreSQL 和 MongoDB Atlas Vector Search 则是具备向量功能的现有数据库示例。在语音智能体中,向量数据库可以存储公司的退款政策,并在客户询问退款时返回最匹配的内容。
MongoDB 是一种通用文档数据库,通过 MongoDB Atlas Vector Search 支持向量搜索;该功能将嵌入向量与文档一同存储,并按相似度进行查询。因此,它属于向量数据库扩展类别。
ElevenAgents 内置知识库,可让语音智能体利用你自己的文档,通过 检索增强生成(RAG)来回答问题。智能体会将每个问题转换为向量嵌入,并从你的知识库中检索语义最相似的内容。你可以选择在每轮对话中执行检索、仅在智能体判断有需要时执行检索,或关闭检索;还可以在语义搜索设置中配置嵌入模型、向量距离上限和候选项数量。更多信息请参阅 ElevenAgents RAG 文档.
向量在不同研究领域中有不同的含义。在数学中,向量指同时具有方向和大小的量。而在生物学中,载体则指将 DNA 携带至目标细胞的媒介。
作者

增长营销
查看个人资料Jack Limebear 是增长团队的一员,担任博客和洞察页面的内容撰稿人及策略师。加入 ElevenLabs 之前,他曾花费十余年时间为各类组织主导内容策略,其中既有快速发展的 SaaS 初创公司,也有《财富》500 强企业。他拥有剑桥大学英国文学硕士学位。
类似文章

AI 语音智能体定价:你的企业需要多少成本
类别:资源 日期:2026 年 11 月 4 日
热转接与冷转接:如何选择合适的通话转接方式
类别:资源 日期:2026 年 10 月 30 日
什么是对话式 AI 中的轮流发言:自然对话流程指南
类别:资源 日期:2026 年 10 月 29 日
银行业中的对话式 AI:用例、优势与示例
类别:资源 日期:2026 年 10 月 28 日
创作最高品质的 AI 音频
联系销售团队注册
AI 热点