向量数据库是专门存储和检索高维向量(文本、图片等内容的嵌入表示)的数据库系统,是当前 RAG 检索增强生成与 Agentic AI 应用召回环节的基础设施。随着大模型应用从单轮问答走向多步智能体,这个赛道的竞争焦点正从“能否做向量检索”转向混合搜索能力、与主流嵌入模型的深度集成,以及运维与成本效率。
向量数据库近期进展
当前焦点与观察点
当前向量数据库行业的争议核心是“专用 vs 内置”:Databricks 这类数据平台把混合搜索塞进 Postgres,而 Pinecone、Weaviate、Milvus 等专业厂商则通过快速集成 Gemini Embedding 2、OpenAI text-embedding-3 等模型和免建第二索引的混合搜索来强化差异化。另一条值得关注的线索是成本效率——Hugging Face 提出的 Token Pooling-Aware Training 为多向量嵌入模型瘦身,从模型侧压缩存储与检索开销。对使用方而言,选型时应重点考察混合搜索的索引维护成本、备份与恢复能力,以及与自家嵌入模型管线的兼容性,而不只是看单一基准跑分。