向量数据库用于存储和检索高维向量。在 RAG 中，文档 Chunk 会被转换为向量并写入向量库，用户问题也会向量化后用于相似度搜索。

1. 向量库保存什么

id: chunk_001
vector: [0.12, -0.08, 0.33, ...]
metadata:
  title: 文档标题
  source: 文档路径
  page: 12
  version: v3
  acl: team-a
content: Chunk 正文

向量库不仅存向量，还要存元数据和原文片段，否则无法做权限、引用和排查。

2. 基本能力

能力	说明
向量写入	保存文档向量
相似度搜索	查找最接近的问题向量
元数据过滤	按版本、权限、文档类型过滤
删除更新	文档变更后同步索引
批量导入	支持大规模文档入库

3. 近似最近邻

高维向量精确搜索成本高，向量库通常使用近似最近邻算法提升性能。

精确搜索：结果更准，但成本高
近似搜索：速度更快，但可能有少量召回损失

工程上要在召回质量、延迟和成本之间做平衡。

4. 索引更新

RAG 系统必须处理文档变化：

文档新增 -> 解析 -> 切分 -> 向量化 -> 写入
文档修改 -> 删除旧 Chunk -> 写入新 Chunk
文档删除 -> 删除对应向量和元数据
权限变化 -> 更新元数据或重建索引

如果索引不更新，模型会回答过期内容。

5. 选型关注点

关注点	问题
数据规模	Chunk 数量和向量维度多大
查询延迟	是否满足交互要求
过滤能力	是否支持复杂元数据过滤
更新能力	是否支持高频增删改
运维成本	自建还是托管
权限隔离	是否支持租户或集合隔离

6. 常见坑

问题	后果
只存向量不存来源	无法展示引用
不做删除更新	过期知识污染答案
元数据设计太少	无法做权限和版本过滤
盲目追求 Top K	返回大量噪声
不做备份	索引重建成本高

7. Tips 快问快答

Q：向量数据库能替代传统数据库吗？

A：不能。向量库适合相似度检索，传统数据库适合事务、约束和结构化查询。

Q：文档原文要不要存在向量库？

A：可以存 Chunk 原文，也可以只存引用 ID 再从文档库取。关键是能返回可追溯内容。

Q：向量索引要不要重建？

A：当 Embedding 模型、切分策略或大量文档发生变化时，通常需要重建或分批迁移索引。