一、基础概念

向量（Vector）
由多个数值组成的有序数组，可用于表示文本、图像、音频等非结构化数据的特征 ；
例如，一张图片可转化为一个包含 512 个数值的向量，每个数值代表颜色、纹理等特征 ；


向量数据库（Vector Database）
专门用于存储、索引和查询向量数据的数据库 ；
与传统数据库（存储结构化数据）不同，它通过向量间的 “相似度” 而非精确匹配来检索信息 ；



二、核心技术术语
嵌入（Embedding）
将非结构化数据（文本、图像等）转化为向量的过程 ；
例如，用 BERT 模型将句子转化为向量，这个向量就是 “嵌入向量” ；

相似度度量（Similarity Metric）
衡量两个向量相似程度的指标，常用的有：
欧氏距离（Euclidean Distance）：向量在空间中的直线距离，值越小越相似 ；
余弦相似度（Cosine Similarity）：向量夹角的余弦值，范围 [-1,1]，越接近 1 越相似（适用于高维数据） ；
内积（Dot Product）：向量对应元素乘积的和，值越大越相似（需向量长度归一化） ；


近似最近邻搜索（Approximate Nearest Neighbor, ANN）
为解决高维向量 “精确搜索” 效率低的问题，通过牺牲少量精度换取速度的搜索方式 ；
实际应用中，ANN 比精确搜索快成百上千倍 ；


索引（Indexing）
向量数据库中用于加速查询的结构，类似传统数据库的索引，但针对向量优化 ；
常见索引算法有：
KD 树（KD-Tree）：适用于低维向量，通过递归划分空间实现快速搜索 ；
球树（Ball Tree）：比 KD 树更适合高维数据，将向量划分为嵌套的 “球” 形区域 ；
HNSW（Hierarchical Navigable Small World）：当前主流算法，通过构建多层 “小世界网络”，实现高效的 ANN 搜索 ；
IVF（Inverted File）：将向量聚类，查询时先找目标聚类，再在聚类内搜索 ；

维度（Dimension）
向量中数值的数量（如 128 维、768 维） ；
高维向量（如超过 1000 维）可能导致 “维度灾难”（搜索效率下降），需通过降维技术优化 ；

降维（Dimensionality Reduction）
减少向量维度的过程（如从 1024 维降到 256 维），常用方法有 PCA（主成分分析）、t-SNE（适用于可视化） ；


三、应用相关术语
语义搜索（Semantic Search）
基于向量相似度的搜索，能理解数据的 “语义” 而非关键词 ；
例如，搜索 “如何煮奶茶”，会返回包含 “牛奶 + 茶叶 + 熬制” 的内容，即使没有完全匹配的词 ；

向量召回（Vector Retrieval）
从数据库中找到与查询向量最相似的一批向量（如前 100 个），是推荐系统、图像检索的核心步骤 ；

混合搜索（Hybrid Search）
结合向量搜索（语义匹配）和传统关键词搜索（精确匹配）的查询方式 ；
例如，电商搜索中，既用向量匹配 “风格相似的衣服”，又用关键词过滤 “红色” ；


聚类（Clustering）
将相似向量归为一类的过程，用于数据分组（如把相似的用户评论聚类） ；
常用算法有 K-Means、DBSCAN ；

四、工具与系统术语
向量数据库产品
主流工具包括：Milvus、Pinecone、Weaviate、Qdrant、Chroma（轻量级）等 ；

向量数据库服务（Vector DBaaS）
云端托管的向量数据库服务（如 Pinecone、AWS OpenSearch Service 的向量功能），无需本地部署 ；

批处理（Batch Processing）
批量插入或更新向量数据的操作，向量数据库通常优化了批处理性能以应对大规模数据 ；


五、进阶技术术语
量化（Quantization）
将高维向量的浮点数值（如 32 位 float）压缩为低精度格式（如 8 位整数、二进制）的技术，目的是减少存储空间和加速计算 ；
例如，“标量量化” 将向量值映射到有限范围的整数，“乘积量化（PQ）” 将向量拆分后分别量化 ；

倒排文件索引（Inverted File Index, IVF）
一种经典的向量索引方法：
先通过聚类算法（如 K-Means）将所有向量分为多个 “桶”（聚类中心），每个桶存储属于该聚类的向量 ；
查询时，先找到与查询向量最接近的几个桶，再在桶内搜索，大幅缩小搜索范围 ；

小世界网络（Small World Network）
HNSW 索引的核心思想：
构建类似社交网络的结构，每个向量（节点）与少量近距离节点（同层）和个别远距离节点（上层）连接，
使查询能快速 “跳跃” 到目标区域，兼顾效率和精度 ；

动态索引（Dynamic Indexing）
支持向量数据实时插入、删除和更新的索引机制 ；
部分索引（如 HNSW）原生支持动态操作，而 KD 树等静态索引需重建才能更新，适合数据固定的场景 ；

维度灾难（Curse of Dimensionality）
当向量维度极高（如超过 1000 维）时，向量间的距离趋于相似，传统索引和相似度度量效率大幅下降的现象 ；
解决方式包括降维、量化或使用专为高维设计的索引（如 HNSW） ；


精确最近邻搜索（Exact Nearest Neighbor, ENN）
遍历所有向量计算相似度，返回绝对最相似结果的搜索方式 ；
优点是精度 100%，但高维或大规模数据下速度极慢，仅适用于小规模数据集 ；

召回率（Recall）
衡量 ANN 搜索效果的指标：实际返回的 “真正相似向量” 占所有 “应该返回的相似向量” 的比例 ；
例如，召回率 95% 表示漏检的相似向量仅 5%


六、系统特性术语
吞吐量（Throughput）
向量数据库单位时间内能处理的查询或插入请求数量（通常以 QPS，即每秒查询数衡量），是系统性能的核心指标之一 ；


延迟（Latency）
从发起查询到返回结果的时间，低延迟是实时应用（如聊天机器人、实时推荐）的关键需求，通常要求在毫秒级（如 < 100ms） ；

持久性（Persistence）
向量数据在数据库重启或故障后不丢失的特性 ；
部分轻量级向量数据库（如 Chroma）默认使用内存存储，需手动配置持久化；
企业级产品（如 Milvus）通常支持自动持久化 ；

分片（Sharding）
将大规模向量数据拆分到多个节点存储的技术，通过分布式架构提升存储容量和并发处理能力 ；
例如，按向量 ID 范围或哈希值分片，每个节点处理部分数据 ；

副本（Replica）
向量数据的冗余备份，用于提高系统可用性（某节点故障时，副本节点可接替服务）和分担查询压力（读请求分流到副本） ；

向量过滤（Vector Filtering）
在向量相似度搜索的基础上，结合结构化条件（如时间、标签、类别）筛选结果 ；
例如，搜索 “与这张猫图相似的图片” 时，同时过滤出 “2023 年以后拍摄” 的结果 ；


七、应用与场景术语
多模态搜索（Multimodal Search）
支持跨类型数据检索的能力，
例如用文本向量查询相似的图像向量（如输入 “红色夕阳”，返回包含红色夕阳的图片） ；
需确保不同模态数据的向量在同一特征空间中可比 ；


向量召回 + 重排序（Retrieval + Reranking）
工业界常用的两阶段查询流程：
第一阶段（召回）：用向量数据库快速返回 Top N（如 1000 个）相似结果；
第二阶段（重排序）：
用更复杂的模型（如精排模型）对这 1000 个结果重新打分，返回 Top K（如 10 个）最优结果 ；
兼顾效率和精度 ；


嵌入模型（Embedding Model）
用于将原始数据转化为向量的 AI 模型，不同数据类型对应不同模型：

文本：BERT、Sentence-BERT、GPT（的中间层输出）；
图像：ResNet、CLIP、VGG；
音频：MFCC 特征 + 神经网络、Wav2Vec ；


语义缓存（Semantic Caching）
缓存查询向量及其结果，当新查询向量与缓存中的向量高度相似时，直接返回缓存结果，减少重复计算 ；
适用于高频相似查询场景（如推荐系统） ；

向量数据库中间件（Vector Database Middleware）
连接应用与向量数据库的工具，提供统一接口、负载均衡、数据转换等功能 ；
例如，LangChain 中的向量存储集成层，可兼容多种向量数据库产品 ；


八、产品与生态术语
Milvus
开源向量数据库，支持多模态数据、动态索引和分布式部署，广泛用于 AI 应用（如大模型知识库、图像检索） ；

Pinecone
云端向量数据库服务（DBaaS），无需关注底层架构，提供高可用性和自动扩缩容，适合快速部署的场景 ；

Weaviate
开源向量数据库，支持 “向量 + 属性” 混合存储，内置多种嵌入模型集成，适合需要结合结构化数据的应用 ；

Chroma
轻量级开源向量数据库，部署简单（可嵌入 Python 应用），适合原型开发和小规模场景 ；

向量搜索即服务（Vector Search as a Service, VSaaS）
提供向量搜索能力的云服务，除存储和查询外，
可包含嵌入模型调用、自动索引优化等功能（如 Pinecone、Google Vertex AI Vector Search） ；