核心概念：嵌入、向量维度与相似度度量

说实话，刚接触向量数据库那会儿，我也被这些术语搞得有点懵。什么嵌入、维度、余弦相似度……听着像数学课又像计算机课。但后来我发现，搞懂这三个东西，你就抓住了向量数据库的命门。

咱们一个一个来拆。我尽量用大白话讲，但该有的深度一点不少。

嵌入（Embedding）——把现实世界“塞”进向量

嵌入是什么？说白了，就是把文字、图片、声音这些东西，变成一串数字。这串数字就是向量。

举个例子。你想想看，“猫”和“狗”这两个词，在计算机眼里原本就是两个字符串。但嵌入之后，它们会变成类似 [0.2, 0.8, -0.3, ...] 这样的数字列表。而且有意思的是，语义相近的词，它们的数字列表也会更接近。

我在项目中遇到过这样一个场景：用户搜索“笔记本电脑”，我们希望把“笔记本”、“便携电脑”、“MacBook”这些相关结果都找出来。如果用传统的关键词匹配，根本做不到。但用了嵌入之后，这些词的向量距离天然就很近，一搜一个准。

常见的嵌入模型有 的 text-embedding-ada-002、Google 的 Universal Sentence Encoder，还有开源的 BGE 系列。选哪个？我个人习惯先看数据量。小项目用开源的 BGE 就够了，大项目或者对精度要求高的，直接上 。

向量维度——长一点好，还是短一点好？

每个向量有多少个数字，就是它的维度。比如 [0.1, 0.5, -0.2] 是 3 维，[0.1, 0.5, -0.2, 0.8, ...] 是 1536 维。

维度这个东西，很有意思。维度越高，能承载的信息量越大，区分度也越高。但代价是什么？计算变慢，存储变大。

我给大家一个参考表：

维度数	常见模型	特点	适用场景
128 - 384	BGE-small, MiniLM	轻量、快速、省资源	移动端、实时搜索、小规模数据
512 - 768	BGE-base, Sentence-BERT	平衡型，精度和速度兼顾	大多数通用场景
1024 - 1536	ada-002, BGE-large	高精度、高区分度	知识库问答、语义搜索、推荐系统

嗯，这里要注意一点：维度不是越高越好。我记得有一次，我把一个项目的嵌入维度从 768 提到 1536，结果召回率只提升了 0.5%，但查询时间翻了一倍。得不偿失。

相似度度量——怎么判断两个向量“像不像”？

向量有了，维度定了，接下来就是怎么比较它们。常用的有三种：余弦相似度、欧氏距离、点积。

这三种方法，说白了就是三种不同的“尺子”。量同一个东西，结果可能不一样。

余弦相似度

这个最常用。它看的是两个向量的方向是否一致，不管长度。

公式长这样：

cosine_similarity(A, B) = (A · B) / (||A|| * ||B||)

结果范围在 -1 到 1 之间。1 表示方向完全一致，0 表示正交（不相关），-1 表示方向相反。

我为什么喜欢用余弦相似度？因为它对文本特别友好。两个文档长度差很多，但讲的是同一件事，余弦相似度依然能给出高分。这在搜索场景里太重要了。

欧氏距离

这个更直观。就是计算两个向量在空间中的直线距离。

euclidean_distance(A, B) = sqrt(sum((A_i - B_i)^2))

值越小，表示越相似。

欧氏距离对向量的长度很敏感。两个方向相同但长度差很多的向量，余弦相似度可能很高，但欧氏距离会很大。所以它适合那些需要比较“大小”的场景，比如图像相似度、异常检测。

点积

点积就是两个向量对应位置相乘再求和。

dot_product(A, B) = sum(A_i * B_i)

点积同时考虑了方向和长度。值越大，表示越相似。

点积有个好处：计算速度最快。在一些高性能场景下，比如实时推荐系统，点积是首选。

三种方法怎么选？我给大家一个快速判断表：

度量方法	关注点	适合场景	注意事项
余弦相似度	方向	文本搜索、语义匹配	忽略向量长度
欧氏距离	距离	图像检索、聚类	对长度敏感
点积	方向和长度	推荐系统、高性能场景	需要向量归一化

知识体系总览

说了这么多，咱们用一张图把这三个概念串起来。你想想看，整个流程其实就是：原始数据 → 嵌入 → 向量 → 相似度度量 → 检索结果。

这张图把整个流程串起来了。从原始数据开始，经过嵌入模型变成向量，然后通过相似度度量来比较。向量维度贯穿其中，影响着每一步的效果。

你想想看，搞懂了这三个概念，向量数据库对你来说就不再是黑盒了。你知道数据是怎么进来的，怎么存的，又是怎么被比较的。剩下的，就是选工具、调参数的事了。