有一次在内部知识库搜“退款政策”,输入的是完整问句,返回的却是“取消订单”的说明。两段文字在语义上接近,实际要解决的问题却不同。这类偏差让我重新审视向量数据库:它擅长的不是“理解业务”,而是把高维向量之间的距离算得更快。
传统关键词检索依赖字面匹配,遇到同义表达、跨语言描述或口语化提问时容易漏掉结果。向量数据库把文本、图片等对象经模型编码成向量,再通过近似最近邻搜索找出距离较近的内容。它的价值出现在语义模糊、对象数量增长、需要跨模态检索的场景里。问题在于,相似不等于相关。向量距离衡量的是表征空间中的接近程度,业务规则、时间范围、权限约束并不会自动进入这个距离。
它解决的是检索形态,不是数据治理
很多团队在项目初期把向量数据库当成“万能检索层”,接入之后才发现,真正消耗精力的是数据切分、元数据设计、权限过滤和索引更新。向量库通常需要和过滤条件配合:先按租户、时间、状态缩小范围,再做相似度检索。若把过滤完全后置,召回结果可能看似相近却不可用;若过滤过重,又可能牺牲召回。这里没有一劳永逸的参数,只有与业务查询模式匹配的取舍。
另一个容易被低估的问题是模型版本。嵌入模型一旦更换,旧向量和新向量可能不在同一语义空间,直接混用会让结果漂移。工程上需要预留重建索引的路径,记录模型版本,并接受一次全量或分批回填的成本。对于更新频繁的内容,还要考虑写入可见性与一致性:用户刚修改的文档,检索端未必立刻可见。向量数据库不是事务数据库,把它放在关键链路上时,这些边界要提前说清楚。
先问是否真的需要,再谈选型
如果数据量不大、查询以精确匹配为主,或团队没有维护近似索引的精力,先用现有搜索引擎的向量能力、内存索引或简单扩展也能撑一段时间。向量数据库通常适用于语义检索成为核心能力、且规模与更新频率带来实际压力的阶段。它并不替代关键词检索;在大量真实查询里,关键词负责精确命中,向量负责补足语义召回,混合查询常被用来兼顾精确命中与语义召回。
- 先明确检索目标:是找相似内容,还是找唯一答案。
- 把权限、时间、状态等约束前置到过滤条件里,别指望相似度兜底。
- 为嵌入模型版本和索引重建留出运维预算,别只看查询延迟。
回到开头那个搜索,我更愿意把它看成一次提醒:向量数据库能让检索更接近人的表达,但它不会替人定义“什么才算正确”。在把语义相似接入业务之前,先想清楚相关性由谁判定、错误结果如何拦截,可能比比较索引参数更重要。