向量数据库，是专门存储、索引、查询高维向量的数据库：把文字、图片、音频统一转换成向量（一长串数字）后，靠"向量相似度"实现语义级的检索——"意思接近"的东西在向量空间里离得近。AI 应用的记忆力（RAG 知识库、语义搜索、推荐）都建在它上面。向量数据库操作是向量空间 JBoltAI开发框架的核心能力模块之一，支持多种主流向量库接入。
为什么需要"向量"这种东西
先看传统数据库的检索怎么工作的：精确匹配和条件筛选——WHERE 客户名 = '某某公司'，要么匹配要么不匹配，非黑即白。
但人和 AI 的很多问题是"模糊"的：
- “客户投诉交期”——相关的记录可能写的是"交付延期"“到货晚了”，字面完全不同；
- “找类似的故障案例”——"类似"这个词，SQL 里没有对应算子。
解法分两步：
- Embedding（向量化）：用一个模型把任何文本（或图片）变成一个高维向量——语义相近的内容，向量也相近。这是"把意思变成坐标"；
- 相似度检索：你的问题变成向量后，在库里找"距离最近"的那些向量——这就是"按意思找"，向量数据库的核心能力（近似最近邻搜索）。
一句话：传统数据库找"相同的"，向量数据库找"相近的"——后者才是 AI 能"听懂人话"的检索基础。
两个现成的类比
向量数据库产品资料里有两个很好的类比，直接借用：
- 分片 = 高速公路的车道数：数据分成多片并行处理，车道越多，同时跑的车（查询）越多——这是横向扩容的吞吐能力；
- 副本 = 重要文件的复印件分放不同办公室：同一份数据存多个副本，一处故障（服务器宕机）别处还有——这是高可用的可靠性设计。
企业选型时问的两个工程问题——“数据量大了扛不扛得住”“机器坏了丢不丢数据”——对应的就是这两件事。
企业级使用，还要关心什么
概念之外，企业落地时真正要关心的四件事：
| 关注点 | 问题 | 工程应对 |
|---|---|---|
| 容量与性能 | 千万级向量检索还快吗 | 分片扩容、索引优化 |
| 可靠性 | 节点故障数据丢不丢 | 多副本机制 |
| 混合检索 | 只靠语义够吗 | 向量 + 关键词（如 ES）双路召回，各取所长 |
| 运维成本 | 自己搭还是用云服务 | 按团队运维能力选型 |
第三点值得多说一句：纯语义检索会漏掉"精确词"（型号、单号这类必须精确匹配的内容），所以企业级方案通常是向量与关键词双路混合检索——JBoltAI 框架的 RAG 能力默认就是这个组合。
常见问题（FAQ）
什么是向量数据库，和传统数据库的区别是什么？ 专门存储和检索高维向量的数据库：文本或图片经 Embedding 模型转成向量后，靠"向量相似度"做语义级检索。和传统数据库的区别一句话——传统数据库找"相同的"（精确匹配），向量数据库找"相近的"（语义相似），后者是 AI 听懂人话进行检索的基础。
为什么 AI 知识库（RAG）需要向量数据库？ 因为 RAG 靠语义相似度找资料：用户问"客户投诉交期"，相关记录可能写的是"交付延期"——字面不同但语义相近，只有把内容向量化后按距离检索才能找到。没有向量层，AI 的知识检索就退化成关键词匹配，问法稍变就找不到。
企业级向量数据库选型要看什么？ 四个工程问题：容量与性能（千万级向量靠分片扩容——类比高速公路车道数）、可靠性（多副本防节点故障——类比重要文件的复印件分放各办公室）、混合检索（向量加关键词双路召回，防止型号单号等精确词漏检）、运维成本（自建或云服务按团队实力选）。JBoltAI 框架支持多种主流向量库并默认提供混合检索。
一句话总结：传统数据库找相同的，向量数据库找相近的——AI 的记忆力和"听懂人话"的检索，都建在这层向量之上。
- 了解产品：向量空间 JBoltAI开发框架
