基于湖库一体架构，统一管理结构化、半结构化与非结构化等多模态数据，一个系统承载事务处理、实时分析与 AI 工作负载。
向量数据库
向量数据库（Vector Database）是专门设计用于存储、管理和检索高维向量的数据库系统，被广泛应用于自然语言处理、计算机视觉、推荐系统等需要处理复杂语义的场景。向量数据库的核心目标是高效处理非结构化数据（如文本、图像、音频和视频）。
内容更新时间：2026.09.12
向量数据库产生的背景
近年来，随着人工智能技术的飞速发展，特别是深度学习和自然语言处理领域的突破，数据的表示和应用方式发生了巨大的变化，向量数据库逐渐成为数据存储和检索领域的重要工具。
传统的关系型数据库主要以结构化数据为核心，通过表格形式存储和管理信息，其在面对图像、文本、音频等非结构化数据时遇到各种局限；而机器学习模型则越来越多地依赖于高维向量来表示复杂的数据对象，这些向量不仅能够捕捉数据的语义特征，还能支持高效的相似性计算。
向量数据库满足了对非结构化数据高效处理的需求。非结构化数据如文字、图像、视频、音频等，无法直接通过传统数据库的表格形式来有效表达。为了高效处理这类数据，研究人员需要一种能够表示数据语义特征的方式——向量化技术。向量化是指将复杂的对象（如文本、图片等）通过深度学习模型转化为固定长度的向量嵌入（embeddings）。这些嵌入保留了原始数据的重要特征，并且可以在数学空间中进行比较和操作。例如，在自然语言处理中，两段文字的语义相似度可以通过它们的向量表示之间的余弦距离来衡量。在这样的应用场景下，如何高效存储和查询这些向量成为了一个关键问题，这也催生了向量数据库的发展。
同时，在传统的数据库中，查询通常是基于精确匹配或条件筛选完成的，例如查找某类型用户的订单记录。然而，在许多实际场景中，我们需要的是“相似性搜索”，比如推荐系统中找到与用户兴趣最接近的商品，或者在图像检索中找到与目标图片最相似的照片。这类任务无法通过传统数据库的索引机制高效实现，而向量数据库则专门针对高维向量设计了优化算法，可以快速进行近似最近邻（Approximate Nearest Neighbor, ANN）搜索。在向量空间中，有效的检索不仅仅是单纯的匹配，而是基于语义相似性的近似搜索。而向量数据库则专门针对高维向量设计了优化算法，利用专门设计的数据结构（如哈希技术、KD树或先进的图算法）优化检索效率，使得在海量数据中找到语义相关项变得可能。
向量数据库的产生是技术进步与实际需求共同作用的结果。它填补了传统数据库在处理高维向量和非结构化数据方面的空白，为人工智能应用的落地提供了强有力的支撑。在未来，随着AI技术的持续演进，向量数据库将在更多领域发挥重要作用。
传统的关系型数据库主要以结构化数据为核心，通过表格形式存储和管理信息，其在面对图像、文本、音频等非结构化数据时遇到各种局限；而机器学习模型则越来越多地依赖于高维向量来表示复杂的数据对象，这些向量不仅能够捕捉数据的语义特征，还能支持高效的相似性计算。
向量数据库满足了对非结构化数据高效处理的需求。非结构化数据如文字、图像、视频、音频等，无法直接通过传统数据库的表格形式来有效表达。为了高效处理这类数据，研究人员需要一种能够表示数据语义特征的方式——向量化技术。向量化是指将复杂的对象（如文本、图片等）通过深度学习模型转化为固定长度的向量嵌入（embeddings）。这些嵌入保留了原始数据的重要特征，并且可以在数学空间中进行比较和操作。例如，在自然语言处理中，两段文字的语义相似度可以通过它们的向量表示之间的余弦距离来衡量。在这样的应用场景下，如何高效存储和查询这些向量成为了一个关键问题，这也催生了向量数据库的发展。
同时，在传统的数据库中，查询通常是基于精确匹配或条件筛选完成的，例如查找某类型用户的订单记录。然而，在许多实际场景中，我们需要的是“相似性搜索”，比如推荐系统中找到与用户兴趣最接近的商品，或者在图像检索中找到与目标图片最相似的照片。这类任务无法通过传统数据库的索引机制高效实现，而向量数据库则专门针对高维向量设计了优化算法，可以快速进行近似最近邻（Approximate Nearest Neighbor, ANN）搜索。在向量空间中，有效的检索不仅仅是单纯的匹配，而是基于语义相似性的近似搜索。而向量数据库则专门针对高维向量设计了优化算法，利用专门设计的数据结构（如哈希技术、KD树或先进的图算法）优化检索效率，使得在海量数据中找到语义相关项变得可能。
向量数据库的产生是技术进步与实际需求共同作用的结果。它填补了传统数据库在处理高维向量和非结构化数据方面的空白，为人工智能应用的落地提供了强有力的支撑。在未来，随着AI技术的持续演进，向量数据库将在更多领域发挥重要作用。
什么是向量数据库
向量数据库（Vector Database）是专门设计用于存储、管理和检索高维向量的数据库系统，被广泛应用于自然语言处理、计算机视觉、推荐系统等需要处理复杂语义的场景。
向量数据库的核心目标是高效处理非结构化数据（如文本、图像、音频和视频）。文本、图像、音频、视频等非结构化数据，经过向量化处理后，转换为高维空间中的点，这些数据在向量空间中有着特定的位置关系，使得向量数据库能够基于这种关系进行快速、准确的相似性匹配。与传统的关系型数据库不同，向量数据库不依赖二维表格形式存储数据，而是以向量的形式组织信息，从而在处理非结构化数据时展现出更高的效率。
向量数据库不仅支持高维向量的存储，还使用特殊的索引结构和搜索算法来优化类似语义搜索任务，例如近似最近邻（Approximate Nearest Neighbor, ANN）检索，这使得它可以帮助用户在大量数据中快速查找“相似”或“相关”的数据项，尤其是在处理人工智能、机器学习和大数据领域中生成的语义向量时表现出色。
随着人工智能和机器学习的快速发展，向量数据库在处理复杂数据和提供智能服务方面的作用愈发关键，成为大模型时代的重要技术基座。
向量数据库的核心目标是高效处理非结构化数据（如文本、图像、音频和视频）。文本、图像、音频、视频等非结构化数据，经过向量化处理后，转换为高维空间中的点，这些数据在向量空间中有着特定的位置关系，使得向量数据库能够基于这种关系进行快速、准确的相似性匹配。与传统的关系型数据库不同，向量数据库不依赖二维表格形式存储数据，而是以向量的形式组织信息，从而在处理非结构化数据时展现出更高的效率。
向量数据库不仅支持高维向量的存储，还使用特殊的索引结构和搜索算法来优化类似语义搜索任务，例如近似最近邻（Approximate Nearest Neighbor, ANN）检索，这使得它可以帮助用户在大量数据中快速查找“相似”或“相关”的数据项，尤其是在处理人工智能、机器学习和大数据领域中生成的语义向量时表现出色。
随着人工智能和机器学习的快速发展，向量数据库在处理复杂数据和提供智能服务方面的作用愈发关键，成为大模型时代的重要技术基座。
向量数据库的基本特点
高维向量存储
向量数据库的主要任务就是存储和管理高维向量数据。这些向量通常是从文本、图像、视频或音频中提取出来的，并包含了丰富的语义信息。每条数据记录可以被表示为一个固定长度的向量，例如一段文字通过 BERT 模型生成的 768 维向量，或者一张图片通过卷积神经网络生成的 2048 维向量。这些向量不仅占用较大的存储空间，还需要高效的组织方式以便快速检索。
高效的相似性检索
向量数据库的核心功能是支持高效的相似性搜索，也称为近似最近邻（Approximate Nearest Neighbor, ANN）搜索。这种搜索的目标是从海量向量中找到与查询向量距离最短的若干个向量。常见的距离度量方法包括欧氏距离、余弦相似度和曼哈顿距离等。相比传统数据库的精确匹配查询，向量数据库能够在牺牲少量精度的前提下大幅提升查询速度，非常适合处理超大规模数据集。
高性能索引技术
为了应对高维向量带来的计算复杂度，向量数据库采用了多种先进的索引算法，例如局部敏感哈希（LSH）、乘积量化（PQ）和层次导航小世界图（HNSW）。这些算法通过降低维度或构建特殊的数据结构，显著加速了相似性搜索的过程，同时保持较高的召回率。
灵活的数据集成
向量数据库通常与现代深度学习模型高度兼容，用户可以直接将预训练模型生成的向量加载到数据库中，并用于后续查询和分析，从而打通了从模型到应用的通路。此外，它还可以结合元数据（metadata）进行混合查询，例如在搜索相似图片的同时筛选特定标签或时间范围的图片。
可扩展性和实时性
向量数据库设计时一般充分考虑了大数据场景下的扩展性需求。它们能够水平扩展以支持 PB 级别的数据存储，并提供低延迟的实时查询能力，满足推荐系统、搜索引擎等对响应速度要求极高的应用场景。
什么是向量检索
在讲到向量数据库时，也会经常涉及向量检索这个概念。向量检索（Vector Search）是向量数据库的核心功能之一，是一种基于高维向量的搜索技术，用于在大规模数据集中快速找到与目标向量最相似的数据。简单来说，它通过计算向量之间的“距离”（比如欧氏距离、余弦相似度等），找到那些看起来“最像”的数据。
数据经过向量化处理后，被表示为高维向量（例如，文本转为词嵌入向量，图像转为视觉特征向量）。当用户进行检索时，查询输入（如一段文本、一张图片）同样被转化为向量，系统通过计算查询向量与数据库中存储的向量之间的“距离”（如欧几里得距离或余弦相似度）来衡量其相似性。相似度越高，说明数据与查询结果越相关。
数据经过向量化处理后，被表示为高维向量（例如，文本转为词嵌入向量，图像转为视觉特征向量）。当用户进行检索时，查询输入（如一段文本、一张图片）同样被转化为向量，系统通过计算查询向量与数据库中存储的向量之间的“距离”（如欧几里得距离或余弦相似度）来衡量其相似性。相似度越高，说明数据与查询结果越相关。
向量数据库的核心技术原理
向量化：将非结构化数据转化为向量
向量数据库的处理核心是将各种非结构化数据（如文本、图像、音频等）转化为高维向量。这是因为计算机无法直接处理非结构化数据，而向量是一种通用的数学表示形式，能够捕捉数据的关键特征。
文本向量化：通过自然语言处理模型（如BERT、Word2Vec）将文本转化为语义向量。例如，“猫”和“狗”在语义空间中会靠得很近，而“猫”和“汽车”则会相距较远。
图像向量化：通过深度学习模型（如ResNet、VGG）提取图像的特征向量。这些向量能够捕捉颜色、纹理、形状等视觉信息。
音频向量化：通过声学模型（如MFCC、Wav2Vec）提取音频的频谱特征向量。
可以把向量化看作是给每种数据贴上一个“数字标签”。比如，给一张汽车的照片贴上一组数字，这组数字就代表了这张照片的主要特征。
文本向量化：通过自然语言处理模型（如BERT、Word2Vec）将文本转化为语义向量。例如，“猫”和“狗”在语义空间中会靠得很近，而“猫”和“汽车”则会相距较远。
图像向量化：通过深度学习模型（如ResNet、VGG）提取图像的特征向量。这些向量能够捕捉颜色、纹理、形状等视觉信息。
音频向量化：通过声学模型（如MFCC、Wav2Vec）提取音频的频谱特征向量。
可以把向量化看作是给每种数据贴上一个“数字标签”。比如，给一张汽车的照片贴上一组数字，这组数字就代表了这张照片的主要特征。
加速高维向量的检索
随着数据规模的增长，直接遍历所有向量进行相似性计算会变得非常低效。因此，向量数据库采用了多种高效的索引算法，以加速高维向量的检索过程。常见的索引算法包括：
HNSW（Hierarchical Navigable Small World）： HNSW 是一种基于图结构的索引算法。它通过构建分层图的方式，快速缩小搜索范围。简单来说，它就像一个导航系统，先找到大致方向，再逐步精确定位目标。
LSH（Locality-Sensitive Hashing）： LSH 是一种基于哈希的索引算法。它通过设计特定的哈希函数，将相似的向量映射到同一个“桶”中。这样，在查询时只需检查同一个桶中的向量即可，大大减少了计算量。
PQ（Product Quantization）： PQ 是一种基于量化的方法。它将高维向量分解为多个低维子向量，并对每个子向量进行量化编码。通过这种方式，大幅降低存储和计算成本。
HNSW（Hierarchical Navigable Small World）： HNSW 是一种基于图结构的索引算法。它通过构建分层图的方式，快速缩小搜索范围。简单来说，它就像一个导航系统，先找到大致方向，再逐步精确定位目标。
LSH（Locality-Sensitive Hashing）： LSH 是一种基于哈希的索引算法。它通过设计特定的哈希函数，将相似的向量映射到同一个“桶”中。这样，在查询时只需检查同一个桶中的向量即可，大大减少了计算量。
PQ（Product Quantization）： PQ 是一种基于量化的方法。它将高维向量分解为多个低维子向量，并对每个子向量进行量化编码。通过这种方式，大幅降低存储和计算成本。
相似性计算
向量检索的核心是计算向量之间的“距离”，以衡量它们的相似性。不同的应用场景可能会选择不同的距离度量方法：
欧几里得距离：欧几里得距离是最常用的距离度量方法之一，计算两个向量之间的直线距离。距离越小，相似性越高。适合低维空间或对绝对距离敏感的场景。
余弦相似度： 余弦相似度衡量的是两个向量之间的夹角余弦值。值越接近 1，相似性越高。适合高维空间或对方向敏感的场景，如文本和图像检索。
内积：通过计算两个向量的内积值来评估相似性，常在推荐系统中使用。
欧几里得距离：欧几里得距离是最常用的距离度量方法之一，计算两个向量之间的直线距离。距离越小，相似性越高。适合低维空间或对绝对距离敏感的场景。
余弦相似度： 余弦相似度衡量的是两个向量之间的夹角余弦值。值越接近 1，相似性越高。适合高维空间或对方向敏感的场景，如文本和图像检索。
内积：通过计算两个向量的内积值来评估相似性，常在推荐系统中使用。
近似最近邻（ANN）算法
由于高维空间中计算全部向量的距离非常耗时，向量数据库使用近似最近邻（Approximate Nearest Neighbor, ANN）算法进行优化。其原理是：近似检索允许牺牲少量精确度，换取更高速度和扩展性；不需遍历所有向量，只需检索经过索引筛选后的“候选向量”。
主流算法包括：
KD 树：适合低维向量，但维度增长时性能下降。
BallTree：通过划分球状区域进行检索，仍适合中低维情况。
HNSW 图：目前广泛使用，适合高维、大规模数据集。
主流算法包括：
KD 树：适合低维向量，但维度增长时性能下降。
BallTree：通过划分球状区域进行检索，仍适合中低维情况。
HNSW 图：目前广泛使用，适合高维、大规模数据集。
总结来说，向量数据库的核心技术原理重点在于：
向量化处理实现数学表示。
索引机制优化查找效率。
相似性计算保证检索准确。
ANN 算法实现在高维场景中加速。 这些技术协同工作，使向量数据库能够高效处理非结构化数据，为人工智能、搜索引擎、推荐系统等场景中的语义级搜索和数据处理提供了强大的技术支撑。
向量化处理实现数学表示。
索引机制优化查找效率。
相似性计算保证检索准确。
ANN 算法实现在高维场景中加速。 这些技术协同工作，使向量数据库能够高效处理非结构化数据，为人工智能、搜索引擎、推荐系统等场景中的语义级搜索和数据处理提供了强大的技术支撑。
向量数据库与传统数据库的区别
数据处理类型
传统数据库主要处理结构化数据，比如以行、列形式存储的表格数据。它擅长存储和管理固定格式的数据类型，比如文本字符串、数字或日期，实现快速精确匹配。向量数据库专注于处理非结构化数据（例如图片、文本、音频、视频），通过将这些数据转化为高维向量表示，从而捕捉其语义特征。这使得它在语义级别的处理上更具优势，而不仅局限于数据的表面值。
数据存储结构
传统数据库采用行式存储（Row-based）或列式存储（Column-based），数值型与文本型数据被以预定义的固定模式存储。这种模式效率适合于事务型操作，特别是 OLTP（在线事务处理）等场景。向量数据库使用针对高维数据优化的存储和索引结构，比如 HNSW（图索引）、LSH（哈希）等。它需要处理大规模的向量数据，对传统行/列存储模式无法适配的大规模非结构化数据提供支持。
检索机制
传统数据库的检索请求基于精确查询或条件匹配，比如基于 SQL 语句查找“某个字段等于某个值”或者“数值范围”内的记录，匹配主要依赖关键字、主键、索引等机制，适用于精确查找。向量数据库的检索重点是相似度计算，例如“找到与某段文字或图片最相似的内容”。它通过高维向量的距离（如欧几里得距离、余弦相似度）进行“模糊匹配”，实现语义级相似性搜索，这是传统数据库无法完成的任务。
应用场景
传统数据库广泛应用于事务处理（OLTP）和数据分析（OLAP）场景，例如金融交易、库存管理、报表生成等，强调数据的准确性和一致性。而向量数据库主要用于人工智能和大数据领域，例如推荐系统、图像检索、自然语言处理等，这些场景需要对非结构化数据进行高效的语义理解和相似性匹配。
OceanBase 数据库的向量检索能力
在企业的实际业务中，很多情况下不是单一的检索场景。企业如果单独选型一款向量数据库，各业务应用中不同类型的数据需要分散在多个不同类型的数据库中，不利于数据的整合与协同利用，也会造成运维复杂度提升；此外，由于引入全新的技术栈，员工需要花费大量时间和精力学习，才能掌握新技术栈的运维和使用技巧，增加企业的培训和人力成本。为满足这类需求，帮助企业简化 AI 时代的技术栈，OceanBase 通过创新的技术手段，将向量数据巧妙地融入关系型表中，实现了对向量数据的有效存储与管理。
OceanBase 向量检索能力-整体架构
支持多模数据存储
OceanBase 能够将文本、图像等多种非结构化数据，经过向量化处理后，存储在关系型表的特定字段中。OceanBase 的架构不仅可以兼容 KV 文档及向量数据，还支持 JSON、GIS、Bitmap 等多种数据类型。企业可以将所有的多模数据集中整合至单一的 OceanBase 数据库中，避免因不同类型数据存储于不同数据库而产生的数据孤岛问题。
丰富的索引类型和支持
OceanBase 不仅支持向量索引，还支持标量索引、半结构化索引（如多值索引、空间索引），以及全文索引，并且支持同时访问多路索引，为复杂的数据检索需求提供了坚实保障。
全面的索引创建语法支持
OceanBase 支持的索引类型包括 HNSW、IVFFalt、DiskANN（on processing）等多种索引类型，满足不同场景下的数据索引需求。距离算法涵盖 L2、IP、COSINE、Jaccard ( on processing)等常用距离算法，确保在向量检索时能够精准计算相似度。
强大的向量查询功能
OceanBase 支持 TOP N 排序的相似度计算，能够快速筛选出与目标向量最相似的结果。同时支持向量和标量混合查询，可有效应对复杂业务场景中的多元数据查询需求。
向量性能强劲
OceanBase 向量检索能力集成了索引算法库 VSAG，VSAG 算法库在 960 维的 GIST 数据集上表现出色，在 ANN-Benchmarks 测试中远超其他算法。
简洁易用的接口设计
用户可以通过标准 SQL 语言创建向量表并写入向量数据，使用标准 SQL 语法导入向量数据并进行 DML 操作，还可以直接在对应的向量字段上创建向量索引，并指定索引类型和距离算法，利用 SQL 直接查询，操作简便直观。Python 接口只需要导入 Python 包，即可通过 Python 接口完成创建表、写入数据以及进行 ANN 等方面的检索操作，为 Python 开发者提供便捷高效的开发途径。
便捷的应用集成
OceanBase 采用 SQL 访问的方式，可复用 MySQL 生态中各语言的客户端，极大降低开发人员的学习成本。同时，OceanBase 还支持类似 Milvus SDK 的 SDK，方便用户根据自身需求灵活选择开发工具。
对比向量数据库，OceanBase 一体化的优势
作为一款具备向量能力的通用数据库，OceanBase 的一体化能力为用户带来了显著的便利。用户无需替换原有数据库，仅需对现有数据库应用进行版本升级，即可轻松获得向量能力，这一举措极大地降低了替换成本和学习成本。相较于单独选择向量数据库，OceanBase 一体化架构具备以下优势：
上手和运维简单
接口设计简单，支持一键部署，并且高度兼容 MySQL，无论是新手还是有经验的开发者，都能快速上手使用。同时，OceanBase 提供了一套完整的运维工具体系，包括数据迁移工具 OMS、开发者工具 ODC、运维管理工具 OCP，支持 AI 应用全生命周期管理。
多模融合，混合检索
通过 SQL 与 AI 的结合，以及向量与多模的一体化设计，OceanBase 数据库原生支持结构化、半结构化和非结构化数据类型的混合检索，展现数据处理能力。例如，通过地理空间、关系型数据和向量检索等多种数据模型的融合，可实现 “推荐附近 500 米，评价 4.5 分以上，上菜快的火锅店”这样的精准推荐功能。
金融级稳定性
OceanBase 的系统稳定性和容灾能力在多年的大规模金融场景中得到充分验证，同时，OceanBase 拥有成熟的保障体系和完整的运维工具，为系统稳定运行提供全方位支持。
成本效益显著
OceanBase 的一体化架构有效避免了在多个数据库之间做融合查询时，因需要 Rerank 后返回复杂需求而产生的高额成本，同时节省了组件之间的 RPC 调用开销。此外，OceanBase 多租户能力能够大幅提升资源利用率，数据压缩能力能够有效帮助用户节省数据存储成本，进一步提升了产品的性价比。
