---
title: "使用 SQL 函数 - OceanBase 数据库 V4.5.0 | OceanBase 文档中心"
description: "使用 SQL 函数 本文介绍了 OceanBase 支持的向量函数及使用注意事项。 使用注意事项 维度不同的向量数据不允许做下述运算，会报错 different vector dimensions %d and %d 。 当结果超出浮点数值域时，会报错 value out of range: overflow / u…"
---
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*P8CuR4UJ_FkAAAAAAAAAAAAADiGDAQ/original) OceanBase 数据库分布式版 - V 4.5.0

# 使用 SQL 函数

更新时间：2026-03-26 16:48:33

[编辑](https://github.com/oceanbase/oceanbase-doc/edit/V4.5.0/zh-CN/640.ob-vector-search/250.ob-vector-function.md)  

本文介绍了 OceanBase 支持的向量函数及使用注意事项。

## 使用注意事项

- 维度不同的向量数据不允许做下述运算，会报错 `different vector dimensions %d and %d`。
 - 当结果超出浮点数值域时，会报错 `value out of range: overflow / underflow`。
 - 稠密向量索引支持 L2、内积（Inner Product）、余弦距离作为索引距离算法。具体请参见[HNSW 系列索引](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000004827714)和[IVF 系列索引](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000004827715)；稀疏向量索引支持内积和负内积（Negative Inner Product）作为索引距离算法。
 - 向量索引搜索支持调用本文档中的 `L2_distance`、`Cosine_distance`、`Inner_product`、`Negative_inner_product` 距离函数，以及 `inner_product_similarity`、`cosine_similarity`、`l2_similarity` 相似度函数。

## 距离函数

距离函数用于计算两个向量之间的距离，具体计算方式依据不同的距离算法而不同。

### L2_distance

欧几里得距离反映的是被比较的向量坐标之间的距离--基本上是两个向量之间的直线距离。使用勾股定理应用于向量坐标来计算：

![勾股定理](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E5%8B%BE%E8%82%A1%E5%AE%9A%E7%90%86.jpg)

函数语法如下：

```sql
l2_distance(vector v1, vector v2)

```

参数说明如下：

- 除了向量类型外，参数可接受任意可强转为向量类型的其他类型，如字符串类型（如 `'[1,2,3]'`）。
 - 两个参数的维度必须相同。
 - 当存在单级数组类型参数时，该参数元素不允许出现 `NULL`。

返回值说明如下：

- 返回值为 `distance(double)` 距离值。
 - 当任意参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t1(c1 vector(3));
INSERT INTO t1 VALUES('[1,2,3]');
SELECT l2_distance(c1, [1,2,3]), l2_distance([1,2,3],[1,1,1]), l2_distance('[1,1,1]','[1,2,3]') FROM t1;

```

返回结果如下：

```shell
+--------------------------+------------------------------+----------------------------------+
| l2_distance(c1, [1,2,3]) | l2_distance([1,2,3],[1,1,1]) | l2_distance('[1,1,1]','[1,2,3]') |
+--------------------------+------------------------------+----------------------------------+
|                        0 |             2.23606797749979 |                 2.23606797749979 |
+--------------------------+------------------------------+----------------------------------+
1 row in set

```

### L2_squared

L2 Squared 距离是欧几里得距离（L2 Distance）的平方。它省略了欧几里得距离公式中的平方根运算，从而在保持距离相对顺序不变的前提下，降低了计算成本。计算方式为：

![L2 距离的平方](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.4.1/%E5%90%91%E9%87%8F/l2-squared.jpg)

语法如下：

```sql
l2_squared(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

示例如下：

```sql
CREATE TABLE t1(c1 vector(3));
INSERT INTO t1 VALUES('[1,2,3]');
SELECT l2_squared(c1, [1,2,3]), l2_squared([1,2,3],[1,1,1]), l2_squared('[1,1,1]','[1,2,3]') FROM t1;

```

返回结果如下：

```shell
+-------------------------+-----------------------------+---------------------------------+
| l2_squared(c1, [1,2,3]) | l2_squared([1,2,3],[1,1,1]) | l2_squared('[1,1,1]','[1,2,3]') |
+-------------------------+-----------------------------+---------------------------------+
|                       0 |                           5 |                               5 |
+-------------------------+-----------------------------+---------------------------------+
1 row in set

```

### L1_distance

曼哈顿距离用于计算两个点在标准的坐标系中的绝对轴距总和。计算公式为：

![曼哈顿距离](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/l1.jpg)

函数语法如下：

```sql
l1_distance(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

示例如下：

```sql
CREATE TABLE t2(c1 vector(3));
INSERT INTO t2 VALUES('[1,2,3]');
INSERT INTO t2 VALUES('[1,1,1]');
SELECT l1_distance(c1, [1,2,3]) FROM t2;

```

返回结果如下：

```shell
+--------------------------+
| l1_distance(c1, [1,2,3]) |
+--------------------------+
|                        0 |
|                        3 |
+--------------------------+
2 rows in set

```

### Cosine_distance

余弦相似度（cosine similarity）是衡量两个向量的角度差异，它反映了两个向量在方向上的相似度，与向量的长度（大小）无关。余弦相似度的取值范围为 `[-1, 1]`，其中 `1` 表示向量完全相同的方向，`0` 表示正交，`-1` 表示完全相反的方向。

余弦相似度的计算方式为：

![余弦相似度](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E5%BA%A6.jpg)

由于余弦相似度度量越接近于 1 表示越相似，因此有时也使用余弦距离（或余弦不相似度）作为向量间距离的一种衡量方式，余弦距离可以通过 1 减去余弦相似度来计算：

![余弦距离](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E4%BD%99%E5%BC%A6%E8%B7%9D%E7%A6%BB.jpg)

余弦距离的取值范围是 `[0, 2]`，其中 `0` 表示完全相同的方向（无距离），而 `2` 表示完全相反的方向。

函数语法如下：

```sql
cosine_distance(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

示例如下：

```sql
CREATE TABLE t3(c1 vector(3));
INSERT INTO t3 VALUES('[1,2,3]');
INSERT INTO t3 VALUES('[1,2,1]');
SELECT cosine_distance(c1, [1,2,3]) FROM t3;

```

```shell
+------------------------------+
| cosine_distance(c1, [1,2,3]) |
+------------------------------+
|                            0 |
|          0.12712843905603044 |
+------------------------------+
2 rows in set

```

### Inner_product

内积又称为点积或数量积，表示两个向量之间的一种乘积。在几何意义上，内积表示两个向量的方向关系和大小关系。内积的计算方式为：

![内积](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E5%86%85%E7%A7%AF.jpg)

语法如下：

```sql
inner_product(vector v1, vector v2)

```

参数说明如下：

- 除了向量类型外，参数可接受任意可强转为向量类型的其他类型，如字符串类型（如 `'[1,2,3]'`）。
 - 两个参数的维度必须相同。
 - 当存在单级数组类型参数时，该参数元素不允许出现 `NULL`。
 - 稀疏向量使用此函数时，支持其中一个参数为稀疏向量格式的字符串，如 `c2,'{1:2.4}'`；不支持两个参数均为字符串。

返回值说明如下：

稠密向量示例如下：

```sql
CREATE TABLE t4(c1 vector(3));
INSERT INTO t4 VALUES('[1,2,3]');
INSERT INTO t4 VALUES('[1,2,1]');
SELECT inner_product(c1, [1,2,3]) FROM t4;

```

返回结果如下：

```shell
+----------------------------+
| inner_product(c1, [1,2,3]) |
+----------------------------+
|                         14 |
|                          8 |
+----------------------------+
2 rows in set

```

稀疏向量示例如下：

```sql
CREATE TABLE t4(c1 INT, c2 SPARSEVECTOR, c3 SPARSEVECTOR);
INSERT INTO t4 VALUES(1, '{1:1.1, 2:2.2}', '{1:2.4}');
INSERT INTO t4 VALUES(2, '{1:1.5, 3:3.6}', '{4:4.5}'));
SELECT inner_product(c2,c3) FROM t4;

返回结果如下：

```shell
+----------------------+
| inner_product(c2,c3) |
+----------------------+
|    2.640000104904175 |
|                    0 |
+----------------------+
2 rows in set

```

### Negative_inner_product

Negative_inner_product 用于计算两个向量之间的负内积，计算方式为：

![负内积](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.4.2/%E5%90%91%E9%87%8F/%E8%B4%9F%E5%86%85%E7%A7%AF_2.jpg)

语法如下：

```sql
negative_inner_product(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

稠密向量示例如下：

```sql
CREATE TABLE t5(c1 vector(3));
INSERT INTO t5 VALUES('[1,2,3]');
INSERT INTO t5 VALUES('[1,2,1]');
SELECT negative_inner_product(c1, [1,2,3]) FROM t5;

```

返回结果如下：

```shell
+-------------------------------------+
| negative_inner_product(c1, [1,2,3]) |
+-------------------------------------+
|                                 -14 |
|                                  -8 |
|                                 -14 |
|                                  -8 |
+-------------------------------------+
4 rows in set

```

稀疏向量示例如下：

```sql
CREATE TABLE t5(c1 INT, c2 SPARSEVECTOR, c3 SPARSEVECTOR);
INSERT INTO t5 VALUES(1, '{1:1.1, 2:2.2}', '{1:2.4}');
INSERT INTO t5 VALUES(2, '{1:1.5, 3:3.6}', '{4:4.5}'));
SELECT negative_inner_product(c2,c3) FROM t5;

```

返回结果如下：

```shell
+-------------------------------+
| negative_inner_product(c2,c3) |
+-------------------------------+
|            -2.640000104904175 |
|                             0 |
+-------------------------------+
2 rows in set

```

### Vector_distance

vector_distance 用于计算两个向量之间的距离，通过指定参数来选择不同的距离算法。

语法如下：

```sql
vector_distance(vector v1, vector v2 [, string metric])

```

`vector v1/v2` 参数说明如下：

`metric` 参数用于指定距离算法，可选：

- 如果不指定，默认算法为 `euclidean`。
 - 如果指定，可选择的值有且只有

     - `euclidean`。表示欧式距离，和 L2_distance 含义相同。
     - `manhattan`。表示曼哈顿距离，和 L1_distance 含义相同。
     - `cosine`。表示余弦距离，和 Cosine_distance 含义相同。
     - `dot`。表示内积，和 Inner_product 含义相同。

返回值说明如下：

示例如下：

```sql
CREATE TABLE t5(c1 vector(3));
INSERT INTO t5 VALUES('[1,2,3]');
INSERT INTO t5 VALUES('[1,2,1]');
SELECT vector_distance(c1, [1,2,3], euclidean) FROM t5;

```

返回结果如下：

```shell
+-----------------------------------------+
| vector_distance(c1, [1,2,3], euclidean) |
+-----------------------------------------+
|                                       0 |
|                                       2 |
+-----------------------------------------+
2 rows in set

```

## 相似度函数

相似度函数用于衡量两个向量的相似程度，其值越大表示向量越相似。它与距离函数互为反向概念：相似度越高，距离越小。在向量搜索中，可以通过设置相似度阈值来筛选出满足条件的结果。

### inner_product_similarity

`inner_product_similarity` 用于计算两个向量之间的内积相似度。函数返回值计算方式与内积距离函数 `inner_product` 相同，但返回值表示相似度而非距离。与 inner_product 之间的的换算方式为：`inner_product_similarity(v1, v2) = (1 + inner_product(v1, v2) / (vector_norm(v1) * vector_norm(v2))) / 2`。`vector_norm` 函数用于计算向量的欧几里得范数（模），表示向量和原点之间的欧几里得距离。对于向量 `v = [v1, v2, v3, ..., vn]`，其范数计算公式为：`vector_norm(v) = √(v1² + v2² + v3² + ... + vn²)`。

语法如下：

```sql
inner_product_similarity(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

- 返回值类型为 double，返回结果为两个向量的相似度值，值越大表示越相似。
 - 当任意参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t12(c1 vector(3));
INSERT INTO t12 VALUES('[1,2,3]');
INSERT INTO t12 VALUES('[1,2,1]');
SELECT inner_product_similarity(c1, [1,2,3]) FROM t12;

```

返回结果如下：

```shell
+---------------------------------------+
| inner_product_similarity(c1, [1,2,3]) |
+---------------------------------------+
|                    0.9999999552965164 |
|                    0.9364357516169548 |
+---------------------------------------+
2 rows in set

```

或者更简单的：

```sql
SELECT inner_product_similarity([1,0,0], [0,1,0]);

```

返回结果如下：

```shell
+--------------------------------------------+
| inner_product_similarity([1,0,0], [0,1,0]) |
+--------------------------------------------+
|                                        0.5 |
+--------------------------------------------+
1 row in set

```

### cosine_similarity

`cosine_similarity` 用于计算两个向量之间的余弦相似度，反映两个向量在方向上的相似度，与向量的长度（大小）无关。计算方式为：`cosine_similarity(v1, v2) = 1 - (cosine_distance(v1, v2) / 2)`。

语法如下：

```sql
cosine_similarity(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

- 返回值类型为 double，结果范围为 `[0, 1]`，其中 `1` 表示两个向量方向完全一致，`0` 表示两个向量正交。数值越大代表方向越相似。
 - 当任意参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t13(c1 vector(3));
INSERT INTO t13 VALUES('[1,2,3]');
INSERT INTO t13 VALUES('[1,2,1]');
SELECT cosine_similarity(c1, [1,2,3]) FROM t13;

```

返回结果如下：

```shell
+--------------------------------+
| cosine_similarity(c1, [1,2,3]) |
+--------------------------------+
|             0.9999999552965164 |
|             0.9364357516169548 |
+--------------------------------+
2 rows in set

```

或者更简单的：

```sql
SELECT cosine_similarity([1,0,0], [0,1,0]);

```

返回结果如下：

```shell
+-------------------------------------+
| cosine_similarity([1,0,0], [0,1,0]) |
+-------------------------------------+
|                                 0.5 |
+-------------------------------------+
1 row in set

```

### l2_similarity

`l2_similarity` 用于计算两个向量之间的 L2 相似度。L2 相似度基于欧几里得距离，但返回值表示相似度而非距离。相似度值越大表示两个向量越相似。与 `l2_squared` 的换算为：`l2_similarity(v1, v2) = 1 / (1 + l2_squared(v1, v2))`。

语法如下：

```sql
l2_similarity(vector v1, vector v2)

```

参数说明如下：

返回值说明如下：

示例如下：

```sql
CREATE TABLE t14(c1 vector(3));
INSERT INTO t14 VALUES('[1,2,3]');
INSERT INTO t14 VALUES('[1,2,1]');
SELECT l2_similarity(c1, [1,2,3]) FROM t14;

```

返回结果如下：

```shell
+----------------------------+
| l2_similarity(c1, [1,2,3]) |
+----------------------------+
|                          1 |
|                        0.2 |
+----------------------------+
2 rows in set

```

或者更简单的：

```sql
SELECT l2_similarity([1,0,0], [0,1,0]);

```

返回结果如下：

```shell
+---------------------------------+
| l2_similarity([1,0,0], [0,1,0]) |
+---------------------------------+
|              0.3333333333333333 |
+---------------------------------+
1 row in set

```

## 算术函数

算术函数提供向量类型与向量类型、单级数组类型、特殊字符串类型，以及单级数组类型与单级数组类型、特殊字符串类型的加（+）、减（-）和乘（*）法算术计算。计算方式为逐元素计算，如加法计算为：

![加法](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E5%8A%A0%E6%B3%95.jpg)

语法如下：

```sql
v1 + v2
v1 - v2
v1 * v2

```

参数说明如下：

- 除了向量类型外，参数可接受任意可强转为向量类型的其他类型，如字符串类型（如 `'[1,2,3]'`）。**注意：**两个参数不可以同时为字符串类型，必须有一个参数为向量类型。
 - 两个参数的维度必须相同。
 - 当存在单级数组类型参数时，该参数元素不允许出现 `NULL`。

返回值说明如下：

- 当两个参数中至少有一个参数为向量类型时，返回值为和向量参数相同的向量类型。
 - 当两个参数中只有单级数组类型时，返回值为 `array(float)` 类型。
 - 当任意参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t6(c1 vector(3));
INSERT INTO t6 VALUES('[1,2,3]');
SELECT [1,2,3] + '[1.12,1000.0001, -1.2222]', c1 - [1,2,3] FROM t6;

```

返回结果如下：

```shell
+---------------------------------------+--------------+
| [1,2,3] + '[1.12,1000.0001, -1.2222]' | c1 - [1,2,3] |
+---------------------------------------+--------------+
| [2.12,1002,1.7778]                    | [0,0,0]      |
+---------------------------------------+--------------+
1 row in set

```

## 比较函数

比较函数提供向量类型与向量类型、单级数组类型、特殊字符串类型的比较计算，包括 =、!=、>、<、>=、<= 几种比较符号。计算方式为逐元素的字典序比较。

语法如下：

```sql
v1 = v2
v1 != v2
v1 > v2
v1 < v2
v1 >= v2
v1 <= v2

```

参数说明如下：

- 除了向量类型外，参数可接受任意可强转为向量类型的其他类型，如字符串类型（如 `'[1,2,3]'`）。

  #### 注意

  两个参数必须有一个参数为向量类型。
 - 两个参数的维度必须相同。
 - 当存在单级数组类型参数时，该参数元素不允许出现 `NULL`。

返回值说明如下：

- 返回值为 bool 类型。
 - 当任意参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t7(c1 vector(3));
INSERT INTO t7 VALUES('[1,2,3]');
SELECT c1 = '[1,2,3]' FROM t7;

```

返回结果如下：

```shell
+----------------+
| c1 = '[1,2,3]' |
+----------------+
|              1 |
+----------------+
1 row in set

```

## 聚合函数

#### 注意

不支持使用向量列作为 GROUP BY 条件，不支持 DISTINCT。

### Sum

Sum 函数用于计算表中向量列的和，采用逐元素累加的方式进行计算，以得到和向量。

语法如下：

```sql
sum(vector v1)

```

参数说明如下：

- 仅支持向量类型。

返回值说明如下：

- 返回 `sum (vector)` 值。

示例如下：

```sql
CREATE TABLE t8(c1 vector(3));
INSERT INTO t8 VALUES('[1,2,3]'),('[2,3,4]'),('[3,4,5]');
SELECT sum(c1) FROM t8;

```

返回结果如下：

```shell
+---------+
| sum(c1) |
+---------+
| [6,9,12] |
+---------+
1 row in set

```

多行向量逐元素相加：第 1 维 1+2+3=6，第 2 维 2+3+4=9，第 3 维 3+4+5=12，因此和为 `[6,9,12]`。

### Avg

Avg 函数用于计算表中向量列的平均值。

语法如下：

```sql
avg(vector v1)

```

参数说明如下：

返回值说明如下：

- 返回 `avg (vector)` 值。
 - 不计入该向量列中的 `NULL` 行。
 - 输入参数为空时，输出 `NULL`。

示例如下：

```sql
CREATE TABLE t9(c1 vector(3));
INSERT INTO t9 VALUES('[2,4,6]'),('[4,6,8]'),('[6,8,10]');
SELECT avg(c1) FROM t9;

```

返回结果如下：

```shell
+---------+
| avg(c1) |
+---------+
| [4,6,8] |
+---------+
1 row in set

```

多行向量逐元素求平均：第 1 维 (2+4+6)/3=4，第 2 维 (4+6+8)/3=6，第 3 维 (6+8+10)/3=8，因此平均值为 `[4,6,8]`。

## 其他常见向量函数

### Vector_norm

Vector_norm 函数用于计算向量的欧几里得范数（模），表示向量和原点之间的欧几里得距离。计算方式为：

![欧几里得范数](https://obbusiness-private.oss-cn-shanghai.aliyuncs.com/doc/img/observer/V4.3.5/vector_search/%E6%AC%A7%E5%87%A0%E9%87%8C%E5%BE%B7.jpg)

语法如下：

```sql
vector_norm(vector v1)

```

参数说明如下：

- 除了向量类型外，参数可接受任意可强转为向量类型的其他类型，如字符串类型（如 `'[1,2,3]'`）。
 - 当存在单级数组类型参数时，该参数元素不允许出现 `NULL`。

返回值说明如下：

- 返回 `norm(double)` 模值。
 - 当参数为 `NULL` 时，返回 `NULL`。

示例如下：

```sql
CREATE TABLE t10(c1 vector(3));
INSERT INTO t10 VALUES('[1,2,3]');
SELECT vector_norm(c1),vector_norm([1,2,3]) FROM t10;

```

返回结果如下：

```shell
+--------------------+----------------------+
| vector_norm(c1)    | vector_norm([1,2,3]) |
+--------------------+----------------------+
| 3.7416573867739413 |   3.7416573867739413 |
+--------------------+----------------------+
1 row in set

```

**向量归一化**

向量归一化（Normalization）是指将向量的长度（模）标准化为 1 的过程。`vector_norm` 函数常用于实现向量归一化。

对于使用 `l2_distance` 距离类型的向量索引，建议对向量进行归一化处理，以提高相似度搜索的准确性。归一化后的向量模为 1，L2 距离的范围会被限制在 `[0, 2]` 之间，从而避免相似度值过小导致的精度问题。

例如，对于向量 `[3, 4]`：

- 向量的模：`vector_norm([3, 4]) = √(3² + 4²) = 5`
 - 归一化后：`[3, 4] / 5 = [0.6, 0.8]`

归一化后的向量模为 1，验证方式：

```sql
SELECT vector_norm([0.6, 0.8]);

```

返回结果如下：

```shell
+-------------------------+
| vector_norm([0.6, 0.8]) |
+-------------------------+
|       1.000000029802322 |
+-------------------------+
1 row in set

```

### Vector_dims

Vector_dims 函数用于返回向量维度。

语法如下：

```sql
vector_dims(vector v1)

```

参数说明如下：

返回值说明如下：

- 返回 `dims(int64)` 维度值。
 - 当参数为 `NULL` 时会报错。

示例如下：

```sql
CREATE TABLE t11(c1 vector(3));
INSERT INTO t11 VALUES('[1,2,3]');
INSERT INTO t11 VALUES('[1,1,1]');
SELECT vector_dims(c1), vector_dims('[1,2,3]') FROM t11;

```

返回结果如下：

```shell
+-----------------+------------------------+
| vector_dims(c1) | vector_dims('[1,2,3]') |
+-----------------+------------------------+
|               3 |                      3 |
|               3 |                      3 |
+-----------------+------------------------+
2 rows in set

```

## 语义索引相关函数

除了上述通用向量函数外，OceanBase 还提供了专门用于语义索引（在文本列上创建的向量索引）的向量搜索函数：

- `semantic_distance(column_name, 'query_text')`：使用原始文本进行向量搜索，系统会自动调用嵌入模型将文本转换为向量。
 - `semantic_vector_distance(column_name, query_vector)`：使用向量进行搜索，支持索引搜索（带 `APPROXIMATE`/`APPROX` 子句）和全表扫描（不带 `APPROXIMATE`/`APPROX` 子句）两种方式。

这两个函数专门用于语义索引场景，详细说明和示例请参见[语义索引](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000004475683)。

 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