VectorSearch(向量搜索)是一种基于向量嵌入进行相似度检索的技术,是当前 AI 应用(如 RAG、语义搜索、推荐系统)的核心基础设施。相比传统关键词匹配,它通过高维向量间的距离计算来理解语义,近年随着大模型落地而成为数据库领域的热点方向。
VectorSearch 近期进展
当前焦点与观察点
目前 VectorSearch 领域的讨论集中在几个方向:一是检索质量与效率的权衡,例如 候选数量调优——想取回 5 个最终结果时,如何设置初步召回的候选集大小直接影响效果与成本;二是非结构化与多模态数据的建模,Milvus 社区提出真实数据(如驾驶视频)具有层级结构,扁平向量难以完整表达;三是部署形态的分化,云上大规模集群与本地离线端侧推理并行发展。
值得观察的争议点包括:向量搜索是否会被大模型的长上下文能力部分替代、混合检索(向量+关键词)的最佳配比,以及 Qdrant、Milvus 等开源方案与云厂商托管服务之间的竞争格局。总体来看,VectorSearch 已从研究话题进入大规模生产阶段,性能优化与成本控制是下一阶段的竞争焦点。