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)
向量检索召回灵活但可能引入噪声，结构化存储精确但维护成本高
向量数据库、搜索引擎的检索结果会因索引更新、排序算法调整而变化
向量数据库擅长存储和检索显性知识，但对隐性知识无从下手
NemoClaw的长期记忆通过向量数据库存储历史交互、偏好设置以及知识图谱
转型AI/ML工程师需掌握LLM应用开发（如RAG、微调、Prompt工程）、向量数据库、模型部署与量化等大模型相关技能
有状态 AI 系统需要引入外部存储层（如向量数据库、结构化事件日志），在交互前检索相关记忆并注入上下文
记忆分层机制将信息分为长期记忆、短期记忆和角色设定三个层次，长期记忆一般存入向量数据库通过语义检索按需调取
向量数据库将非结构化内容转化为高维向量并建立索引，使Agent通过语义相似度检索历史记录，而非依赖关键词匹配
持久知识具有可版本化、可评审、可追溯的核心特点，通常以文档或结构化数据形式存入Git仓库或向量数据库
本体论与向量数据库的结合正在形成新技术范式：本体图谱提供精确业务约束，向量检索补充长尾上下文信息
还有 29 条时间轴事件
全部知识事实 (20)
主流的向量数据库包括Pinecone、Weaviate、Milvus、Chroma等
90%已验证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%已验证长期记忆的业界主流方案包括基于embedding的向量检索、基于知识图谱的结构化存储，以及两者的混合架构
65%已验证RAG通过将文档切分为语义块后经嵌入模型转化为高维向量存入向量数据库，查询时通过近似最近邻（ANN）搜索找到语义最相近的文档片段
65%已验证共享记忆系统的技术实现路径包括关系型数据库结构化存储、向量数据库语义化存储、以及图数据库叠加向量索引的混合架构
65%已验证向量数据库将文本转化为通常768至3072维的高维向量，利用ANN算法进行检索，主流ANN算法包括HNSW和IVF-PQ
65%已验证企业级AI知识库的核心技术是RAG，需要结合Chunking策略、Reranking和Hybrid Search（混合BM25关键词检索与语义向量检索）来提升检索质量
65%已验证Qdrant是一个专用向量搜索引擎，使用Rust语言编写，支持丰富的过滤条件和payload存储
65%已验证向量数据库（如Pinecone、Milvus）是知识库检索的核心组件，用于存储文本的语义向量并实现相似度搜索。
65%部分验证RAG is described as the most common technical approach in enterprise LLM applications.
65%待验证RAG（检索增强生成）在推理阶段引入外部记忆来约束模型生成边界，通过将文档切片、嵌入为向量存入向量数据库并在推理时检索相关片段注入Prompt
60%待验证向量检索召回灵活但可能引入噪声，结构化存储精确但维护成本高
50%待验证向量数据库、搜索引擎的检索结果会因索引更新、排序算法调整而变化
50%