向量数据库
向量数据库是一种专门用于存储和检索高维向量数据的数据库系统。它能够将文本、图像、音频等非结构化数据的嵌入表示（Embedding）进行持久化存储，并基于向量间的余弦相似度、欧氏距离等度量方式支持近似最近邻（ANN）搜索。向量数据库广泛应用于语义搜索、推荐系统、图像检索及大语言模型增强检索等领域。
核心事实
时间轴 (近 90 天)
许多团队最终选择在现有数据库上叠加向量检索能力，而非引入独立向量数据库系统，这反映出架构决策需要结合团队运维能力与生态兼容性。
向量数据库在一致性方面通常优先保证可用性与检索延迟，对写入的强一致性要求相对宽松。
向量数据库的核心任务是在海量高维向量中快速找到与查询向量最相似的Top-K结果。
传统关系型数据库在处理高维向量相似性检索时暴露出明显短板，无法满足大模型应用生产环境的需求。
向量数据库存储层设计的关键权衡在于内存与磁盘的分工：全内存方案延迟最低但成本高，磁盘方案依赖mmap和预取策略，混合方案通过分层缓存平衡两者。
向量数据库的存储层需要同时承载原始向量、元数据以及索引结构，原始向量通常以定长数组形式连续存储以支持SIMD指令加速距离计算。
大模型的上下文窗口有限，且每次调用都是无状态的，因此Agent要实现长期记忆通常需要将对话或文档转成向量嵌入（Embedding）存入向量数据库，通过相似度检索找回相关内容并拼接到Prompt中。
当前主流的RAG实现多采用向量数据库对非结构化文本进行稠密检索，而对表格、关系数据库等结构化数据源的检索支持相对薄弱。
向量数据库是专门用于存储和检索高维向量数据的数据库，在AI应用中文本、图像等非结构化数据经嵌入模型转换为向量后存入，查询时通过计算余弦相似度找到最相近的内容。
面试官可能会问“什么叫向量数据库？”“RAG如何挂载知识库？”“MCP是什么？”等问题，这些已成为大模型方向岗位的必问题。
还有 40 条时间轴事件
全部知识事实 (20)
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证Agent的记忆机制通常分为短期记忆和长期记忆两大类，长期记忆需借助向量数据库、关系型数据库、图数据库等外部持久化存储
80%已验证向量数据库如FAISS、Chroma、Weaviate通过将文本编码为高维向量建立索引，能毫秒级完成语义相似度检索
80%已验证检索增强生成（RAG）通过向量数据库将代码库切分为语义片段，在 AI 处理具体任务时动态检索最相关的内容注入上下文
80%已验证向量记忆数据库将历史对话内容转化为高维语义向量，在新对话时以相似度检索方式动态召回相关记忆片段并注入上下文窗口
80%已验证RAG通过将私有文档切分为文本块、转化为向量表示并存储在向量数据库中，检索相关内容注入Prompt来解决大模型知识截止日期的局限性
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%已验证Agent的记忆系统通常分为三个层次：工作记忆（当前对话上下文窗口）、短期记忆（近期交互历史）和长期记忆（通过向量数据库持久化存储）
80%已验证向量数据库存储的是文本经过Embedding模型转换后的高维向量，通常为768或1536维
80%已验证向量数据库（如ChromaDB、Milvus、Pinecone）采用HNSW、IVF等索引算法，能在百万甚至亿级向量中实现毫秒级检索
80%已验证常见的向量数据库包括ChromaDB、Milvus、Pinecone、Weaviate，它们针对高维向量的近似最近邻（ANN）搜索进行了专门优化
80%已验证pgvector扩展为PostgreSQL添加了向量存储和相似度搜索能力，使Supabase可以同时充当传统数据库和向量数据库
80%已验证向量数据库（如Pinecone、Weaviate、Milvus等）通过嵌入模型将文本转化为高维向量，使用余弦相似度或欧氏距离进行近似最近邻（ANN）搜索
80%已验证Embedding是将文本转换为高维数值向量的过程，语义相近的文本在向量空间中距离更近
80%已验证长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%已验证长期记忆通常借助向量数据库（如Chroma、Pinecone、Weaviate、Milvus等）来实现语义检索
80%已验证向量数据库通过余弦相似度或欧氏距离实现语义级别的模糊检索
80%已验证向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%已验证AI记忆的实现路径大致分为本地设备记忆和云端服务器记忆两类，本地方案隐私性好但受限于设备算力和跨设备同步困难，云端方案能力强但用户数据暴露风险高
75%