向量数据库是什么？相似度检索、索引与 RAG 选型指南

直接答案：向量数据库或向量检索系统保存嵌入及其元数据，并按距离或相似度找近邻。用于 RAG 时，真正要验收的是目标数据上的召回、延迟、过滤权限、更新删除和引用链，而不是只看向量规模或演示效果。

本文面向需要做技术选型或落地验收的中文读者。所有会随版本变化的接口、价格、硬件支持和功能可用性，都应在实施当天回到官方页面复核；本文复核日期为 2026-09-04。

先判断：这个任务真正要解决什么

理解向量检索系统，并按召回、延迟、过滤、更新和权限完成选型。开始前把业务目标写成可验证条件，避免把“能运行”“返回了结果”误当成质量达标。

核心原理与适用边界

• 精确 Flat 索引提供基线，近似索引用部分召回换速度和内存。
• 余弦、内积和 L2 的输入归一化与分数含义不同。
• 向量检索不能替代文档权限、版本和事实来源治理。

这些原则只说明技术机制，不代表任何特定产品在你的数据、硬件或组织流程中必然更快、更准或更省。若官方材料没有披露某项实现，应明确标为未知，而不是根据营销名称推断。

从基线到上线的执行步骤

1. 第 1 步：固定语料、查询和相关性标注
2. 第 2 步：选择嵌入与距离度量
3. 第 3 步：先跑精确检索基线
4. 第 4 步：比较 HNSW、IVF、PQ 等候选索引
5. 第 5 步：加入过滤、更新、删除和故障恢复测试
6. 第 6 步：用固定集监控召回、延迟、成本与漂移

每一步都要保存输入版本、配置、输出和验收结论。遇到失败先缩小范围并保留原始证据，不要为了让演示通过而修改测试口径。

建议保存的验收记录

常见风险与失败模式

• 只测平均延迟会隐藏尾延迟
• 换嵌入模型后旧向量不可直接混用
• 先检索后过滤可能泄露元数据
• 近似参数调优必须使用独立验证集

风险较高的业务应增加人工复核和独立安全测试。本文不把公开资料整理写成编辑部实测，也不提供无法复现的速度、准确率或收益数字。

常见问题

只要官方示例能运行就可以上线吗？

不可以。官方示例用于说明能力或接口，仍需用你的数据、权限、负载和失败场景验证，并保存可以回放的结果。

为什么必须保留基线？

没有相同输入和相同指标的基线，就无法判断新方案是否真正改善，也无法在故障时确认回滚是否恢复。

版本变化后需要全部重做吗？

至少应重跑与变化范围相关的确定性检查、核心质量集、安全边界和恢复演练；重大模型、框架或数据变更应做完整回归。

下一步与一手来源

可继续阅读：大模型微调与评测闭环、企业 RAG 权限与引用验收、结构化信息提取与证据定位。这些内链分别帮助补齐模型路由、对话系统和 Agent 治理边界，不替代本文缺失内容。

一手与原始资料：Faiss 官方仓库、Faiss 索引选择、Faiss 指标说明、Faiss 索引清单、Microsoft RAG 概念。访问与事实复核日期：2026-09-04。