13-Oracle 23ai Vector Search VECTOR数据类型和实操

一、Vector数据类型梗概

Oracle 23ai引入的 VECTOR数据类型是AI向量搜索的核心基础，专为存储高维数值向量设计（如文本/图像/音视频的嵌入向量）。

相比传统数据类型，它具有：

• ​多维度支持​：维度数（1-65535），*表示任意维度
• ​多种数值格式​：INT8/FLOAT32/FLOAT64/BINARY，
• ​智能存储优化​：支持DENSE/SPARSE存储格式，storage_type​：DENSE（默认）或SPARSE
• ​毫秒级检索​：原生集成相似性搜索算法

Oracle 23ai 的 VECTOR 数据类型主要分为以下 ​ 4 大类别 ，根据维度定义、数值格式和存储方式的不同组合：

1.1 基础分类（按维度定义）

类型	语法	特点	适用场景
​ 任意维度型	VECTOR	不限制维度数量	开发初期、原型验证
​ 固定维度型 ​	VECTOR(n)	固定 n 个维度（1≤n≤65535）	生产环境（如 768 维文本向量）
​ 动态维度型 ​	VECTOR(*, *)	运行时确定维度	多源异构数据集成

1.2 按数值格式分类 

类型	语法	精度	空间占用	适用场景
​ 浮点向量 ​	VECTOR(n, FLOAT32)	单精度	4字节/维度	AI 模型嵌入（主流）
	VECTOR(n, FLOAT64)	双精度	8字节/维度	科学计算
​ 整型向量 ​	VECTOR(n, INT8)	8位整型	1字节/维度	量化模型、边缘计算
​ 二进制向量 ​	VECTOR(n, BINARY)	位存储	1位/维度	指纹/哈希值存储

1.3 按存储结构分类 

类型	语法	存储原理	优势	适用场景
​ 密集存储	​VECTOR(n, FORMAT, DENSE)	全维度物理存储	读取速度快	常规向量（默认）
​ 稀疏存储 ​	VECTOR(n, FORMAT, SPARSE)	仅存非零值	空间节省 70%+	推荐系统、用户画像

向量存储格式（DENSE vs SPARSE）

1. DENSE存储

​特点：

每个维度值物理存储，无论是否为0。

默认存储格式。

​适用场景：维度值大部分非零的向量。

2. SPARSE存储

​特点：

仅存储非零维度值，节省空间。

​不支持BINARY格式。

​适用场景：维度值大部分为0的向量。

3. 内部存储与空间计算

​存储方式：使用Securefile BLOBs存储。

4.空间计算公式示例：

​DENSE​：向量数 × 维度数 × 单维度字节数

密集：VECTOR(1024, FLOAT32) = 1024×4 = 4KB

​SPARSE​：向量数 × [(平均非零维度×4) + (非零维度数×单维度字节数)]

稀疏：VECTOR(10000, FLOAT32, SPARSE)（假设 5% 非零）= (10000×0.05)×4 + 10000×0.05×4 ≈ 4KB

1.4 混合类型（生产常用组合） 

类型	示例语法	典型应用
​ 文本嵌入型 ​	VECTOR(768, FLOAT32)	存储 BERT/LLM 文本嵌入
​ 图像特征型 ​	VECTOR(2048, FLOAT32)	ResNet 视觉特征提取
​ 稀疏推荐型 ​	VECTOR(10000, FLOAT32, SPARSE)	用户-商品交互矩阵
​ 二进制指纹型 ​	VECTOR(256, BINARY)	图片/视频哈希指纹

1.5 数据类型选择决策树 

 

二、数据类型实操

2.1 按照VECTOR 数据类型建表

创建Oracle VECTOR 数据类型列的基本语法如下：

VECTOR([dimensions], [format], [storage_type])

SYS@FREE> show pdbs;

    CON_ID CON_NAME                       OPEN MODE  RESTRICTED
---------- ------------------------------ ---------- ----------
         3 FREEPDB1                       READ WRITE NO
--基础表（任意维度/格式）
SYS@FREE> create table vector_demo1 (id number,embedding VECTOR);

表已创建。

SYS@FREE> select * from vector_demo1;

未选定行
--指定维度表
SYS@FREE> CREATE TABLE VECTOR_DEMO2 (ID NUMBER,EMBEDDING VECTOR(1024,INT8));

表已创建。

 

2.2 模拟真实数据操作

建表

-- 基础表（任意维度/格式）
CREATE TABLE products (id NUMBER PRIMARY KEY,name   VARCHAR2(100),embedding VECTOR);
-- 指定维度表（商品特征），固定1024维
CREATE TABLE fashion_items (item_id NUMBER,features VECTOR(1024, FLOAT32, DENSE));
表已创建。
-- 固定1024维
CREATE TABLE fashion_items (item_id NUMBER,features VECTOR(1024, FLOAT32, DENSE));
--任意维度2
CREATE TABLE fashion_items2 (item_id NUMBER,features VECTOR);
表已创建。

SYS@FREE>

增删改查数据 

-- 插入向量（JSON数组格式）
INSERT INTO products VALUES (1, '心外科手术刀', '[0.12, 0.24, 0.35]');
-- 使用VECTOR()函数插入
INSERT INTO fashion_items2 VALUES (1001, VECTOR('[0.8,0.2,0.75]', 1024, FLOAT32));--报错
INSERT INTO fashion_items2 VALUES (1001, VECTOR('', 1024, FLOAT32));
-- 更新向量
UPDATE products SET embedding = '[0.9,0.1,0.3]' WHERE id=1;
-- 删除向量
DELETE FROM fashion_items WHERE item_id=1001;

SYS@FREE> INSERT INTO products VALUES (1, '心外科手术刀', '[0.12, 0.24, 0.35]');
已创建 1 行。
SYS@FREE> INSERT INTO fashion_items2 VALUES (1001, VECTOR('', 1024, FLOAT32));
已创建 1 行。
SYS@FREE> UPDATE products SET embedding = '[0.9,0.1,0.3]' WHERE id=1;
已更新 1 行。
SYS@FREE> DELETE FROM fashion_items2 WHERE item_id=1001;
已删除 1 行。
SYS@FREE>

三、VECTOR相关函数

Oracle AI Vector提供了一系列向量相关函数，用于向量的创建、转换、属性计算及相似性搜索。

3.1 向量创建函数

VECTOR() 与 TO_VECTOR()

VECTOR() 与 TO_VECTOR()用于将字符串转换为向量类型。

两者功能相同，支持指定维度数量和数据类型（如float32、int8等）。

 

-- SELECT 创建二维float32向量
-- Oracle 23 AI 优化后不用FROM dual了
SYS@FREE> SELECT VECTOR('[4,3]', 2, float32) FROM dual;
VECTOR('[4,3]',2,FLOAT32)
-----------------------------------------------------------------
[4.0E+000,3.0E+000]

SYS@FREE> SELECT TO_VECTOR('[34.6, 77.8]', 2, float64);

TO_VECTOR('[34.6,77.8]',2,FLOAT64)
-------------------------------------------------------------------------
[3.4600000000000001E+001,7.7799999999999997E+001]

SYS@FREE>

3.2 向量属性相关函数

VECTOR_NORM()

VECTOR_NORM()用于计算向量的欧氏距离（原点到向量点的距离），结果类型与输入向量一致。

-- 输出5.0（勾股定理）
SYS@FREE> SELECT VECTOR_NORM(VECTOR('[4,3]', 2, float32));

VECTOR_NORM(VECTOR('[4,3]',2,FLOAT32))
--------------------------------------
                              5.0E+000

SYS@FREE>

3.2 VECTOR_DIMENSION_FORMAT()

VECTOR_DIMENSION_FORMAT()用于返回向量元素的数据类型。

-- 输出FLOAT64
SYS@FREE> SELECT VECTOR_DIMENSION_FORMAT(VECTOR('[11.22,33.44]', 2, float64));

VECTOR_DIMENSION_FORMAT(VECTOR('[11.22,33.44]',2,F
--------------------------------------------------
FLOAT64

3.3 向量转换函数

VECTOR_SERIALIZE()与 FROM_VECTOR()

VECTOR_SERIALIZE()与 FROM_VECTOR()两者功能等价，

用于将向量转换为字符串或CLOB类型，适用于不支持本地向量绑定的驱动比如JDBC或类似。

SYS@FREE> SELECT VECTOR_SERIALIZE(VECTOR('[11.11,22.22,33.33]',3,float32) RETURNING VARCHAR2(1000));

VECTOR_SERIALIZE(VECTOR('[11.11,22.22,33.33]',3,FLOAT32)RETURNINGVARCHAR2(1000))
------------------------------------------------------------------------------------------------------------------------
[1.11099997E+001,2.22199993E+001,3.33300018E+001]

3.4 相似性计算函数

VECTOR_DISTANCE()

VECTOR_DISTANCE()用于计算两个向量之间的数学距离，支持多种距离度量（如EUCLIDEAN欧氏距离）。常用于相似性搜索（如近邻查询）。

--还是勾股定理，结果为5
SYS@FREE> SELECT TO_NUMBER(VECTOR_DISTANCE(VECTOR('[0,0]', 2, float32),VECTOR('[4,3]', 2, float32),EUCLIDEAN)) AS DISTANCE;

  DISTANCE
----------
         5

 3.5 向量函数列表

 

函数类型	函数名	描述	示例
​ 创建 ​	VECTOR()	创建向量	SELECT VECTOR('[1,2]',2,FLOAT32) FROM dual → [1.0,2.0]
​ 属性 ​	VECTOR_NORM()	欧氏距离	SELECT VECTOR_NORM(VECTOR('[3,4]')) → 5.0
	VECTOR_DIMENSION_COUNT()	维度计数	SELECT VECTOR_DIMENSION_COUNT(embedding) → 3
	VECTOR_DIMENSION_FORMAT()	数值格式	SELECT VECTOR_DIMENSION_FORMAT(features) → FLOAT32
​ 转换 ​	VECTOR_SERIALIZE()	向量转字符串	SELECT VECTOR_SERIALIZE(embedding)→ '[0.12,0.24,0.35]'
​ 搜索 ​	VECTOR_DISTANCE()	相似度计算	SELECT VECTOR_DISTANCE(v1, v2, EUCLIDEAN) → 0.65
​ AI集成 ​	VECTOR_EMBEDDING()	生成文本嵌入	SELECT VECTOR_EMBEDDING(USING model, 'Oracle AI') → [0.2,0.7,...]