向量数据库零基础入门：从 MySQL 视角轻松读懂向量检索

作为一名熟悉传统关系型数据库（如 MySQL）的开发者，当你第一次接触到“向量数据库（Vector Database）”、“嵌入（Embedding）”、“余弦相似度”这些概念时，可能会觉得有些抽象和陌生。

其实，向量数据库的底层逻辑和传统数据库有许多相通之处。本文将通过与 MySQL 的对比，带你轻松跨越概念门槛，秒懂向量数据库的核心原理。

一、 核心概念对照表

在正式展开前，我们可以先通过一张概念映射表，将向量数据库的新概念与 MySQL 的已知概念建立连接：

二、 核心概念深度通俗解读

1. 什么是向量（Vector）与嵌入（Embedding）？

• MySQL 中的数据：在 MySQL 中，我们用字段存储特征。比如一个商品，我们用 color="Red", price=99, category="Shoes" 来表示。
• 向量数据库中的数据：在 AI 时代，我们希望计算机理解商品的“语义”。比如，一件“红色的运动鞋”和“粉红色的跑步鞋”在字面上不一样，但语义高度相似。

为了让计算机读懂这种语义，我们会使用 Embedding 模型（如 OpenAI 的 text-embedding-3）把文本或图片转化为一串浮点数数组（如 [0.12, -0.43, 0.98, ... 共1536维]）。这一串浮点数就是向量（Vector）。

• 通俗比喻：向量就像是多维空间中的“GPS经纬度”。普通地图只有 X 和 Y 两个维度（经度和纬度），而向量空间有上千个维度。空间中距离越近的两个点，代表它们的语义越相似。

2. 向量检索 vs. SQL 查询

• MySQL 的查询（精确匹配）： sql SELECT * FROM products WHERE name LIKE '%运动鞋%' AND price < 100; MySQL 必须找到完全包含“运动鞋”这三个字，且价格小于100的行。这是一种黑白分明的精确过滤。

• 向量数据库的查询（相似度检索）： 向量数据库不进行字面匹配。当用户搜索“跑鞋”时，系统先将“跑鞋”转为向量 $V_{query}$，然后在数据库中寻找距离 $V_{query}$ 最近的那些商品向量。

• 查询结果：返回的不是“是或否”，而是“这个商品与您的输入有 92% 的相似度，那个商品有 88% 的相似度”，并按照相似度高低返回前 K 个结果（即 Top-K 检索）。

3. B+ 树索引 vs. 向量索引 (HNSW / IVF)

• MySQL 的索引 (B+ Tree)： MySQL 的 B+ 树索引非常擅长一维数据的排序和快速查找。例如，找 id = 10 或 age > 18。它可以通过不断二分，以 $O(\log N)$ 的复杂度快速锁定目标。
• 向量数据库的索引 (以 HNSW 为例)： 高维空间（如 1536 维）是无法用 B+ 树排序的（这被称为“维度灾难”）。如果在海量向量中一个一个去计算距离，计算量会爆炸（相当于全表扫描 SecScan）。

因此，向量数据库采用了近似最近邻（ANN，Approximate Nearest Neighbor）算法： * HNSW (分层导航小世界)：把高维向量构建成像“社交网络”一样的图结构。检索时，先在顶层“高速路”快速定位大体区域，再在底层“小路”上精细查找，从而在毫秒级内找到最相似的向量。 * IVF (倒排文件索引)：将空间划分为若干个聚类（类似于把数据分类装进不同的桶），查询时先定位到最相邻的几个桶，只在桶内进行计算，大大减少计算量。

三、 代码实战对比：从 SQL 到 Vector SDK

让我们通过伪代码来看看，这两种数据库在开发层面的具体差异。

1. 插入数据

• MySQL 方式： python # 插入一条商品记录 cursor.execute( "INSERT INTO products (id, name, price) VALUES (1, '耐克红运动鞋', 599)" )
• 向量数据库 方式： ```python # 1. 将文本转化为高维向量 vector = embedding_model.embed("耐克红运动鞋") # 返回 [0.12, -0.45, ...]

# 2. 写入向量数据库（包含向量本身，以及作为 Payload 的元数据） client.collection("products").insert( entity_id=1, vector=vector, payload={"name": "耐克红运动鞋", "price": 599} ) ```

2. 查询数据

• MySQL 方式： python # 严格匹配字面量 cursor.execute("SELECT * FROM products WHERE name LIKE '%红鞋%'") results = cursor.fetchall()
• 向量数据库 方式： ```python # 1. 将用户的查询词转化为向量 query_vector = embedding_model.embed("红色的鞋子")

# 2. 向量数据库搜索，寻找距离最近的前 3 个结果 results = client.collection("products").search( vector=query_vector, limit=3, # 也可以带上关系型过滤条件 filter="price < 800" ) ``` 尽管用户输入的词是“红色的鞋子”，并不完全匹配“耐克红运动鞋”的字面，但由于它们在语义空间非常接近，向量数据库依然能精准地把“耐克红运动鞋”作为高相似度结果返回。

四、 总结与学习建议

1. 向量数据库不能完全替代 MySQL：向量数据库是为了处理高维非结构化语义检索而生的。它在事务性（ACID）、复杂关联查询（JOIN）等方面不如传统关系型数据库。
2. 混合检索 (Hybrid Search) 是主流：在当前的 AI 应用（如 RAG 知识库）中，我们通常将二者结合使用。将业务元数据作为 Payload 存入向量数据库，在检索向量的同时进行标量过滤（例如：只检索 user_id = 10086 的文档向量）。

希望这篇对照介绍能帮助你理清向量数据库的基本概念。当你下次在 AI 项目中需要存储知识库、实现语义搜索时，就可以自信地挑起一款向量数据库开始你的 AI 探索之旅了！