---
title: "语义搜索 - OceanBase AI 数据库 V4.6.3 | OceanBase 文档中心"
description: 语义搜索 本文档介绍了如何在 OceanBase AI 数据库中使用语义索引（Semantic Search）进行搜索。 注意 本功能为实验特性，不建议在生产环境使用。 概述 语义索引利用 OceanBase AI 数据库内置的嵌入（Embedding）能力，极大地简化了向量索引的使用流程。它实现了向量概念对用户的透…
image: https://mdn.alipayobjects.com/huamei_22khvb/afts/img/A*OSPzQ6GUQF4AAAAAQHAAAAgAeiGDAQ/original
---
切换语言

- 中文站 - 简体中文
- International - English
- 日本站 - 日本語

文档反馈![](https://mdn.alipayobjects.com/huamei_22khvb/afts/img/A*M1BcQZvbrRMAAAAAQGAAAAgAeiGDAQ/original) OceanBase AI 数据库V 4.6.3

# 语义搜索

更新时间：2026-11-16 20:22:57

[编辑](https://github.com/oceanbase/oceanbase-database-ai/edit/V4.6.3/zh-CN/400.ai-search/400.semantic-search.md)  

本文档介绍了如何在 OceanBase AI 数据库中使用语义索引（Semantic Search）进行搜索。

#### 注意

本功能为实验特性，不建议在生产环境使用。

## 概述

语义索引利用 OceanBase AI 数据库内置的嵌入（Embedding）能力，极大地简化了向量索引的使用流程。它实现了向量概念对用户的透明化：你可以直接写入需要存储的原始数据（如文本或图片 URL），OceanBase AI 数据库会在内部自动将其转换为向量并建立索引。在搜索时，你同样只需提供原始搜索内容，OceanBase AI 数据库也会自动进行嵌入并搜索向量索引，从而显著提升了使用的便捷性。

在文本语义索引基础上，OceanBase AI 数据库还支持在 `VARCHAR` 列上存储图片 URL 并创建图片语义索引。系统自动调用多模态嵌入模型完成向量化，支持以图搜图与以文搜图（跨模态检索）等场景。

考虑到嵌入模型的性能开销，语义索引提供了同步和异步两种嵌入方式供用户选择：

- 同步模式：数据写入后立即进行嵌入和索引，确保数据实时可见。
 - 异步模式：由后台任务分批进行数据的嵌入和索引，这能显著提升写入性能，数据延时可见。你可以根据对数据可见性时效的要求，灵活设置后台任务的触发周期。

此外，创建了语义索引的表，同样可以进行暴力搜索。暴力搜索指的是采用全表扫描的方式进行搜索，得到距离最近的前 n 行的精确结果。

## 功能支持

#### 注意

本功能在当前版本中仅支持 HNSW/HNSW_BQ/HNSW_SQ 索引。

当前版本语义索引更新、删除与搜索的使用语法、内存管理方式与 HNSW 系列索引完全一致。支持索引监控与维护流程，异步模式下增量刷新会额外触发数据的嵌入。

支持的功能点如下：

| **模块** | **功能点** | **介绍** |
| --- | --- | --- |
| DDL | 建表时创建语义索引 | 可以在创建表的时候，在 `VARCHAR` 列上创建语义索引（文本或图片 URL） |
| DDL | 后建语义索引 | 支持在已存在表的 `VARCHAR` 列上创建语义索引 |
| DDL | Batch File 批量嵌入 | 后建语义索引时可指定 `ai_service_tier=BATCH`，通过文件批量提交请求，系统异步处理所有请求。详见 [AI 模型交互（Batch File）](#相关文档) |
| DDL | 单列多索引 | 支持在同一列上创建多个语义索引，可用于不同模型、距离算法或索引参数组合   #### 注意    该功能点仅用于测试，不可用于生产。 |
| DDL | 图片 URL 语义索引 | 通过 `content_type=image` 在 `VARCHAR` 列上创建图片语义索引，自动将图片 URL 向量化   #### 注意    本功能从 V4.6.2.1 版本开始支持。 |
| 搜索 | `semantic_distance` 函数 | 传入原始文本或图片 URL 进行向量搜索，支持以文搜图或以图搜图   #### 注意    本功能从 V4.6.2.1 版本开始支持。 |
| 搜索 | `semantic_vector_distance` 函数 | 通过该函数传入向量进行搜索，有两种使用方式：   - 当 SQL 语句中带有 `APPROXIMATE`/`APPROX` 子句时，会使用向量索引进行搜索。 - 当不带有 `APPROXIMATE`/`APPROX` 子句时，会采用全表扫描的方式进行暴力搜索。 |
| DBMS_VECTOR | `REBUILD_INDEX` | 使用方法与常规向量索引相同，执行索引全量重建 |

一些使用注意事项如下：

- 同步模式下，写入性能可能受到嵌入性能的影响；异步模式下，数据可见性会有延迟。
 - 对于重复搜索的场景，建议使用 AI 函数服务（AI Function Service）预先获取查询向量，避免每次搜索都进行嵌入。
 - 同一列上不能创建多个语义索引。

## 前提条件

#### 注意

语义索引暂不支持新接口（`REGISTER_PROVIDER`）注册模型。须使用旧接口 `CREATE_AI_MODEL` 与 `CREATE_AI_MODEL_ENDPOINT` 注册嵌入模型。

### 注册文本嵌入模型

在使用语义索引之前，必须先注册嵌入（Embedding）模型和端点。以下是注册示例：

```sql
CALL DBMS_AI_SERVICE.DROP_AI_MODEL ('ob_embed');
CALL DBMS_AI_SERVICE.DROP_AI_MODEL_ENDPOINT ('ob_embed_endpoint');

CALL DBMS_AI_SERVICE.CREATE_AI_MODEL(
'ob_embed', '{
    "type": "dense_embedding",
    "model_name": "BAAI/bge-m3"
}');

CALL DBMS_AI_SERVICE.CREATE_AI_MODEL_ENDPOINT (
'ob_embed_endpoint', '{
    "ai_model_name": "ob_embed",
    "url": "https://api.siliconflow.cn/v1/embeddings",
    "access_key": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxx",
    "provider": "siliconflow"
}');

```

#### 说明

请将 `access_key` 替换为您的实际 API Key。BAAI/bge-m3 模型的向量维度为 1024，因此在创建语义索引时需要使用 `dim=1024`。

### 注册多模态嵌入模型（图片）

图片语义索引（`content_type=image`）须使用多模态（VL）嵌入模型，并通过旧接口注册模型与端点。创建索引时在 `WITH` 子句的 `model` 参数中指定注册的 `model_key`。

```sql
CALL DBMS_AI_SERVICE.DROP_AI_MODEL ('ob_vl_embed');
CALL DBMS_AI_SERVICE.DROP_AI_MODEL_ENDPOINT ('ob_vl_embed_endpoint');

CALL DBMS_AI_SERVICE.CREATE_AI_MODEL(
'ob_vl_embed', '{
    "type": "dense_embedding",
    "model_name": "qwen2.5-vl-embedding"
}');

CALL DBMS_AI_SERVICE.CREATE_AI_MODEL_ENDPOINT (
'ob_vl_embed_endpoint', '{
    "ai_model_name": "ob_vl_embed",
    "url": "https://dashscope.aliyuncs.com/api/v1/services/embeddings/multimodal-embedding/multimodal-embedding",
    "access_key": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxx",
    "provider": "aliyun-dashscope"
}');

```

#### 说明

请将 `access_key` 替换为您的实际 API Key。创建索引时 `dim` 须与所选模型实际输出维度一致。端点注册时 `provider` 必须为 `aliyun-dashscope`。完整参数说明请参见 [DBMS_AI_SERVICE 包](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007090272)。

## 注意事项（图片语义索引）

- 模型要求：
     - 当前仅支持阿里云 DashScope 提供的多模态嵌入模型。
     - 非多模态（纯文本）嵌入模型用于 `content_type=image` 时会报错。
 - 不支持的功能：
     - 不支持 Doc 模式（切片）。
     - 不支持视频、音频等其他多模态类型。
     - 不支持同一语义索引同时处理文本 URL 与图片 URL，需分别为 `content_type=text` 和 `content_type=image` 创建索引。
 - 列类型限制：
     - 仅支持在 `VARCHAR` 列上创建图片语义索引，不支持以下类型：
           - `TEXT` / `LONGTEXT` / `TINYTEXT` / `MEDIUMTEXT`
           - `CHAR` / `BINARY` / `VARBINARY` / `BLOB`
 - URL 约束：
     - 只支持 `http://` 或 `https://` 协议。
     - `content_type=image` 时不允许空字符串。
     - 支持的图片格式依赖所用 AI 模型（通常支持 JPEG、PNG、WebP、GIF 等）；暂不支持存储为二进制（如 `BLOB`/`VARBINARY`）。
 - 查询限制：
     - 以文搜图（跨模态检索）要求多模态嵌入模型同时支持文本与图片输入，且输出在同一向量空间。
 - 其他注意事项：
     - `content_type` 创建后不可变更，如需变更需删除索引后重建。
     - 若同一列需同时创建文本与图片语义索引，需开启 `_enable_multiple_semantic_indexes_on_column` 配置，并通过 `VECTOR_INDEX` Hint 指定具体索引。
 - OSS 私有图片：
     - 对象存储 Bucket 默认为私有权限，直接写入对象 URL 可能因鉴权失败导致向量化报错。对于 OSS 上的图片，需先生成预签名 URL，再写入数据库或作为查询参数传入。
     - 可通过 OSS 控制台或阿里云 SDK 生成预签名 URL。
     - 预签名 URL 有有效期，在 `sync_mode=manual` 或 `async` 时后台异步向量化，建议有效期设置为 1 小时以上。
     - 向量化完成后 OceanBase AI 数据库只存储向量值，不会持久化 URL。URL 过期不影响已建好的向量索引。

## 手动启用语义索引

通过租户级配置项 `_enable_semantic_index` 启用语义索引功能，默认关闭：

```sql
ALTER SYSTEM SET _enable_semantic_index = true;

```

## 索引语法及说明

### 创建

语义索引支持**建表时创建**和**后建**两种方式。创建时需要注意：

- 创建索引必须指定在 `VARCHAR` 类型的列上。
 - 支持在同一列上创建多个语义索引。
 - `model`、`sync_mode`、`ai_service_tier` 参数不支持在常规向量索引上配置。
 - `ai_service_tier=BATCH` 仅后建索引支持，不支持建表创建时使用。

    建表时创建   后建索引

支持使用 `CREATE TABLE` 语句创建语义索引，通过索引参数，同步或者异步发起后台任务。同步模式会在插入数据时自动将 `VARCHAR` 数据转换成向量数据，异步模式则会定期或者手动完成数据转换。

语法如下：

```sql
CREATE TABLE table_name (
    column_name1 data_type1,
    column_name2 VARCHAR, -- 文本或图片 URL 列
    ...,
    VECTOR INDEX index_name (column_name2) WITH (param1=value1, param2=value2, ...)
);

```

说明如下：

- 推荐使用 VARCHAR(2048) / VARCHAR(4096) 类型，以获得最佳搜索性能。

支持在已经存在表的 `VARCHAR` 列上创建语义索引，后建索引时会通过提供的索引参数发起同步或者异步的后台任务。同步模式下所有现存 `VARCHAR` 数据会进行向量嵌入，异步模式则会定期或者手动完成嵌入。

语法如下：

```sql
CREATE VECTOR INDEX index_name
ON table_name(varchar_column_name)
WITH (param1=value1, param2=value2, ...);

```

后建索引时，可在 `WITH` 子句中指定 `ai_service_tier=BATCH`，通过文件批量提交请求，系统异步处理所有请求。完整使用说明请参见 [AI 模型交互（Batch File）](#相关文档)。

`param` 参数说明如下：

| **参数** | **默认值** | **取值范围** | **是否必填** | **说明** | **备注** |
| --- | --- | --- | --- | --- | --- |
| `distance` |  | `l2`/`inner_product`/`cosine` | 是 | 指定向量距离算法类型。 | `l2` 表示欧氏距离，`inner_product` 表示内积距离，`cosine` 表示余弦距离。 |
| `type` |  | 目前支持 `hnsw` / `hnsw_bq` / `hnsw_sq` | 是 | 指定索引算法类型。 | |
| `lib` | `vsag` | `vsag` | 否 | 指定向量索引库类型。 | 目前仅支持 VSAG 向量库。 |
| `model` |  | 已注册的 model_key | 是 | 指定用于 embedding 的模型名称。 | 须通过旧接口 `CREATE_AI_MODEL` 注册，在 `WITH` 子句中填写 model_key。暂不支持新接口 `provider/model` 格式。   #### 说明    常规向量索引不支持设置此参数。 |
| `dim` |  | 正整数，最大 4096 | 是 | 指定嵌入后的向量维度。 | 必须与模型提供的维度对应。如果模型支持多种维度，可按场景在模型允许的范围内选更高或更低维度：精度优先 768/1024，性能优先 256/512。 |
| `sync_mode` | `async` | `immediate`/`manual`/`async` | 否 | 指定数据和索引同步的模式。 | `immediate` 表示同步模式，`manual` 表示手动模式，`async` 表示异步模式。图片语义索引不支持 `immediate`，仅支持 `async` 或 `manual`。   #### 说明    常规向量索引不支持设置此参数。 |
| `sync_interval` | `10s` | 时间间隔，如 `10s`、`1h`、`1d` 等 | 否 | 设置异步模式下后台任务的触发周期。 | 数值部分需为正数，单位支持秒（s）、小时（h）、天（d）等。 |
| `content_type` | `text` | `text`/`image` | 否 | 指定语义索引的内容类型。 | `text` 表示文本语义索引；`image` 表示图片 URL 语义索引。创建后不可变更。   #### 注意    本参数从 V4.6.2.1 版本开始支持。 |
| `ai_service_tier` | `STANDARD` | `STANDARD`/`BATCH` | 否 | 指定建索引时的 AI 服务档位。 | `STANDARD` 为逐行同步 HTTP 调用；`BATCH` 为批量文件异步处理，通过 AI 服务商 Batch API 完成嵌入。 |
| `allow_null_on_failure` | `FALSE` | `TRUE`/`FALSE` | 否 | 批量嵌入失败时的容错行为。 | 仅 `ai_service_tier=BATCH` 时生效。为 `TRUE` 时，失败行向量置为 `NULL` 并继续建索引；为 `FALSE` 时，任一行失败即中止 DDL。 |

其他向量索引参数（如 `m`、`ef_construction`、`ef_search` 等）的使用与常规 HNSW/HNSW_BQ 索引相同，具体请参见文末相关文档中的 HNSW 系列索引文档。

### 搜索

语义索引支持两种搜索方式：

- 使用原始内容搜索（文本或图片 URL）
 - 使用向量搜索
     - 可指定 `APPROXIMATE`/`APPROX` 子句，使用向量索引进行最近邻搜索。
     - 也可不指定 `APPROXIMATE`/`APPROX` 子句，使用全表扫描的方式进行暴力搜索。

使用 Hint 说明与注意事项如下：

- 当在同一列上存在多个语义索引时，查询必须通过 `VECTOR_INDEX` Hint 明确指定所需使用的向量索引，否则系统会报错。通过 Hint，你不仅可以在查询语句中选择具体的向量索引，还可灵活配置前置或后置过滤条件，提高搜索的准确性和灵活性。
 - `VECTOR_INDEX` Hint 可与 `INDEX` Hint 配合使用。
 - 以上两点的使用说明请参见[VECTOR_INDEX Hint](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007091839)。

    使用原始内容搜索   使用向量搜索

使用 `semantic_distance` 表达式，传入原始文本或图片 URL 进行向量搜索。

语法如下：

```sql
SELECT ... FROM table_name
ORDER BY semantic_distance(column_name, 'query_content' [, 'query_type'])
APPROXIMATE|APPROX
LIMIT n;

```

其中：

- `column_name`：语义索引创建时指定的列（文本或图片 URL）。
 - `query_content`：搜索的原始内容（文本字符串或图片 URL）。
 - `query_type`：可选，取值为 `'TEXT'` 或 `'IMAGE'`，缺省按 `'TEXT'` 处理。在图片语义索引上执行以图搜图时，应显式传入 `'IMAGE'`。该参数从 V4.6.2.1 版本开始支持。
 - `n`：返回的结果行数。

#### 注意

`semantic_distance` 仅支持带 `APPROXIMATE`/`APPROX` 的近似搜索。

1. 带 `APPROXIMATE` 子句：使用 `semantic_vector_distance` 表达式，传入向量进行搜索，当搜索语句中带有 `APPROXIMATE`/`APPROX` 子句时，会使用向量索引进行搜索。语法如下：

   ```sql
   SELECT ... FROM table_name
   ORDER BY semantic_vector_distance(column_name, 'query_vector') [APPROXIMATE|APPROX]
   LIMIT n;

   ```

   其中：

      - `column_name`：语义索引创建时指定的文本列。
      - `query_vector`：查询向量。
      - `n`：返回的结果行数。
 2. 不带 `APPROXIMATE` 子句：使用 `semantic_vector_distance` 表达式，传入向量进行检索，当不带有 `APPROXIMATE`/`APPROX` 子句时，会采用全表扫描的方式进行暴力检索，得到距离最近的前 n 行的精确结果。检索执行时，会从表模式（Schema）中获取 `distance` 的类型，然后进行整表扫描，每行都会进行向量距离的计算，从而保证获取精确结果。语法如下：

   ```sql
   SELECT ... FROM table_name
   ORDER BY semantic_vector_distance(column_name, 'query_vector')
   LIMIT n;

   ```

   参数含义与带 `APPROXIMATE` 子句一致。

`APPROXIMATE`/`APPROX` 子句的详细语法说明请参见文末相关文档中的 HNSW 系列索引文档。

## 创建、更新、搜索与删除示例

语义索引的 DML 操作（`INSERT`、`UPDATE`、`DELETE`）与常规向量索引完全一致。插入或更新 `VARCHAR` 类型的数据时，系统会根据 `sync_mode` 参数设置同步或异步进行向量嵌入。

### 建表时创建

1. 创建文本语义索引示例

   创建测试表 `items` 时创建 `vector_idx` 索引：

   ```sql
   -- 假设 ob_embed 模型的创建在此前已完成（请参考"前提条件"部分注册模型）
   CREATE TABLE items (
       id BIGINT PRIMARY KEY,
       doc VARCHAR(100),
       VECTOR INDEX vector_idx(doc)
       WITH (distance=l2, lib=vsag, type=hnsw_sq, model=ob_embed, dim=1024, sync_mode=async, sync_interval=10s)
   );

   ```

   向测试表 `items` 插入一条数据，系统会自动进行嵌入：

   ```sql
   INSERT INTO items(id, doc) VALUES(1, 'Rose');

   ```
 2. 创建图片语义索引示例

   ```sql
   -- 假设 ob_vl_embed 模型的创建在此前已完成（请参考"前提条件"部分注册模型）
   CREATE TABLE product_images (
   id INT PRIMARY KEY,
   image_url VARCHAR(4096),
   product_name VARCHAR(256),
   VECTOR INDEX img_idx(image_url)
       WITH (distance=l2, type=hnsw, lib=vsag,
           model=ob_vl_embed,
           dim=768, sync_mode=manual, content_type=image)
   ) ORGANIZATION HEAP;

   ```

### 后建

1. 后建文本语义索引示例

   创建测试表 `items` 后，使用 `CREATE VECTOR INDEX` 语句创建 `vector_idx` 索引：

   ```sql
   CREATE TABLE items (
       id BIGINT PRIMARY KEY,
       doc VARCHAR(100)
   );

   -- 假设 ob_embed 模型的创建在此前已完成（请参考"前提条件"部分注册模型）
   CREATE VECTOR INDEX vector_idx
   ON items (doc)
   WITH (distance=l2, lib=vsag, type=hnsw_sq, model=ob_embed, dim=1024, sync_mode=async, sync_interval=10s);

   ```

   ```
 2. 后建图片语义索引示例

   ```sql
   CREATE TABLE product_images (
   id INT PRIMARY KEY,
   image_url VARCHAR(4096),
   product_name VARCHAR(256)
   ) ORGANIZATION HEAP;

   INSERT INTO product_images VALUES
   (1, 'https://example.com/shoes.jpg', 'Red Shoes'),
   (2, 'https://example.com/bag.jpg',   'Leather Bag');

   CREATE VECTOR INDEX img_idx ON product_images(image_url)
   WITH (distance=l2, type=hnsw, lib=vsag,
           model=ob_vl_embed,
           dim=768, sync_mode=manual, content_type=image);

   ```

### 更新

更新 `VARCHAR` 类型的数据时，系统会重新进行嵌入：

- 同步模式：更新后立即重新进行嵌入。
 - 异步模式：更新后由后台任务在下次触发周期时重新进行嵌入。

使用示例：

```sql
UPDATE items SET doc = 'Lily' WHERE id = 1;

```

### 删除

删除操作与常规向量索引一致，直接删除数据即可。

使用示例：

```sql
DELETE FROM items WHERE id = 1;

```

### 搜索

    使用原始内容搜索   使用向量搜索（带 APPROXIMATE 子句）   使用向量搜索（不带 APPROXIMATE 子句）

```sql
-- 假设 ob_emb 模型的创建在此前已完成
CREATE TABLE items (
    id INT PRIMARY KEY,
    doc varchar(100),
    VECTOR INDEX vector_idx(doc)
    WITH (distance=l2, lib=vsag, type=hnsw_sq, model=ob_embed, dim=1024, sync_mode=immediate)
);

INSERT INTO items(id, doc) VALUES(1, 'Rose');
INSERT INTO items(id, doc) VALUES(2, 'Sunflower');
INSERT INTO items(id, doc) VALUES(3, 'Rose');
INSERT INTO items(id, doc) VALUES(4, 'Sunflower');
INSERT INTO items(id, doc) VALUES(5, 'Rose');

-- 使用原始文本进行搜索
SELECT id, doc FROM items
ORDER BY semantic_distance(doc, 'Sunflower')
APPROXIMATE LIMIT 3;

```

返回结果如下：

```sql
+----+-----------+
| id | doc       |
+----+-----------+
|  4 | Sunflower |
|  2 | Sunflower |
|  3 | Rose      |
+----+-----------+
3 rows in set

```

使用 `semantic_vector_distance` 表达式，传入向量进行搜索，当搜索语句中带有 `APPROXIMATE`/`APPROX` 子句时，会使用向量索引进行搜索。

```sql
-- 假设 ob_emb 模型的创建在此前已完成（请参考"前提条件"部分注册模型）
CREATE TABLE items (
    id INT PRIMARY KEY,
    doc varchar(100),
    VECTOR INDEX vector_idx(doc)
    WITH (distance=l2, lib=vsag, type=hnsw_sq, model=ob_embed, dim=1024, sync_mode=immediate)
);

INSERT INTO items(id, doc) VALUES(1, 'Rose');
INSERT INTO items(id, doc) VALUES(2, 'Lily');
INSERT INTO items(id, doc) VALUES(3, 'Sunflower');
INSERT INTO items(id, doc) VALUES(4, 'Rose');

-- 先获取查询向量
SET @query_vector = AI_EMBED('ob_embed', 'Sunflower');

-- 使用向量进行索引搜索
SELECT id, doc FROM items
ORDER BY semantic_vector_distance(doc, @query_vector)
APPROXIMATE LIMIT 3;

```

返回结果如下：

```shell
+----+-----------+
| id | doc       |
+----+-----------+
|  3 | Sunflower |
|  1 | Rose      |
|  4 | Rose      |
+----+-----------+
3 rows in set

```

```sql
-- 使用向量进行暴力搜索（精确结果）
SELECT id, doc FROM items
ORDER BY semantic_vector_distance(doc, @query_vector)
LIMIT 3;

```

返回结果如下：

```shell
+----+-----------+
| id | doc       |
+----+-----------+
|  3 | Sunflower |
|  4 | Rose      |
|  1 | Rose      |
+----+-----------+
3 rows in set

```

图片语义索引搜索示例：

```sql
-- 以图搜图（IMAGE → IMAGE）
SELECT id, product_name, image_url
FROM product_images
ORDER BY semantic_distance(image_url, 'https://example.com/query.jpg', 'IMAGE')
APPROXIMATE LIMIT 10;

-- 以文搜图（TEXT → IMAGE，跨模态）
SELECT id, product_name, image_url
FROM product_images
ORDER BY semantic_distance(image_url, 'a photo of red shoes', 'TEXT')
APPROXIMATE LIMIT 10;

-- 结合 WHERE 过滤
SELECT id, product_name
FROM product_images
WHERE product_name LIKE 'Red%'
ORDER BY semantic_distance(image_url, 'https://example.com/query.jpg', 'IMAGE')
APPROXIMATE LIMIT 10;

```

## 相关文档

- [AI 模型交互（Batch File）](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088413)
 - [AI 场景常见问题](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088359)
 - [AI 函数语法及示例](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088417)
 - [HNSW 系列索引](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007089029)
 - [索引内存管理](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088620)
 - [索引监控与维护](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088617)
 - [AI 模型注册](https://www.oceanbase.com/docs/common-oceanbase-database-ai-1000000007088416)

 上一篇 下一篇 ![有帮助](https://gw.alipayobjects.com/mdn/ob_asset/afts/img/A*y6ocSqN8cqsAAAAAAAAAAAAAARQnAQ)![无帮助](https://gw.alipayobjects.com/mdn/ob_asset/afts/img/A*BG9IQJyLHF8AAAAAAAAAAAAAARQnAQ)![反馈](https://gw.alipayobjects.com/mdn/ob_asset/afts/img/A*eTWdQKCRKHwAAAAAAAAAAAAAARQnAQ)[AI](https://www.oceanbase.com/obi) 咨询热线
