从一个小数字说起
我之前写过一篇RAG的入门文章，讲AI怎么先查资料再回答。评论区被同一个问题刷屏了：
"文章说AI查资料前要把文档变成向量存进数据库。向量是啥？数据库又是哪个数据库？MySQL行不行？"
今天就把这两个词讲透：Embedding（向量化）和向量数据库。看懂这篇，RAG那篇文章里的黑话就全部解锁了。
Embedding：把文字变成坐标
计算机算不了"苹果和香蕉像不像"，但它很擅长算数字之间的距离。
Embedding干的就是这件事：把一段文字变成一串数字（向量），让意思相近的文字，对应的数字也彼此靠近。
打个比方。把"国王""女王""苹果""香蕉"放进一张地图：
- 国王和女王会站在相邻的位置
- 苹果和香蕉站另一片区域，也挨在一起
- "国王"和"香蕉"隔得老远
这张"地图"就是向量空间。真实模型的地图比三维复杂得多，nomic-embed-text是768维，bge-m3是1024维，但原理一样：意思越近，坐标越近。
有了这张地图，"搜索"就从"关键词匹配"变成了"距离计算"。你搜"怎么退货"，哪怕商品详情里从头到尾没出现"退货"俩字，只要它讲了"七天无理由""退换流程"，坐标够近，照样能被找到。这是传统关键词搜索做不到的。
向量数据库：专门存这张地图的仓库
向量有了，存哪？
理论上MySQL也能存，把向量塞进一列就行。但算距离太慢：一万条数据还能暴力遍历，一千万条就崩了，每条都要算一遍相似度。
向量数据库的核心本事是一种叫ANN的近似最近邻检索：先给向量建索引，搜索时不用逐条比对，直接跳到最可能相近的那片区域。就像字典按拼音排过序，找字不用从第一页翻到最后一页。速度从秒级降到毫秒级，代价是偶尔漏掉一两个结果，对搜索场景完全够用。
另外它天生支持过滤：先按用户ID、时间这些标签筛一遍，再在小范围里算相似度。这个组合很常用。
四个常见选项，怎么选
Milvus：开源里的老大哥，功能全，能扛十亿级数据，部署偏重。企业级知识库首选。
Chroma：轻量，几行Python就能跑起来，适合个人项目和学习实验。入门从这里开始。
pgvector：PostgreSQL的插件，不用引入新组件，现有PG加个插件就有向量能力。业务数据已经在PG里的，直接选它。
云服务（阿里云、腾讯云都有托管版）：不想管运维就买托管，花钱省心。
我的建议：自己学着玩，用Chroma；公司项目数据量不大，pgvector最省事；上规模再考虑Milvus。
想本地动手试一试？
两行命令，在你自己电脑上就能把向量化跑起来。
第一步，装Ollama（之前写过完整教程，5分钟能搞定）。
第二步，拉一个专门的向量化模型：
ollama pull nomic-embed-text # 英文为主，768维
ollama pull bge-m3 # 智源出品，中文更强，100多种语言第三步，跑一句：
ollama run nomic-embed-text "今天天气真好"你会看到一长串数字输出。那串数字，就是这句话在这张768维地图上的坐标。用Python把两句话各自向量化，再算一下距离，你会直观看到"意思近的句子距离近"是什么感觉。
顺带一提，别拿聊天模型做向量化。Qwen、Llama这类生成模型不产向量，要用nomic-embed-text、bge-m3这种专门的embedding模型，这也是新手最常见的错误。
一句话收尾
Embedding负责"把意思变成距离"，向量数据库负责"在海量距离里快速找到最近的那个"。这俩凑一起，AI才能真正做到"先查资料再说话"。
有条件的话，强烈建议跑一遍上面那三行命令。看一次真实输出的向量，比读十篇文章都记得牢。