【速通RAG实战：数据库】6.RAG向量数据库原理

在 RAG（检索增强生成）系统中，向量数据库扮演着至关重要的角色，它负责存储文本经过 Embedding 处理后的向量表示，并能高效地进行向量检索，以找出与查询向量最相似的文档。

1.向量数据库原理

1.向量表示

在 RAG 系统里，文本首先会通过 Embedding 模型（如 OpenAI Embeddings、Sentence Transformers 等）转化为固定维度的向量。这些向量能够捕捉文本的语义信息，使得语义相近的文本在向量空间中距离较近。例如，“苹果公司推出了新产品”和“苹果公司发布了新的产品”这两句话经过 Embedding 后，它们对应的向量在向量空间中的距离会比较小。

2.索引结构

为了实现高效的向量检索，向量数据库通常会采用特定的索引结构。常见的索引结构有：

1. KD - Tree（K - Dimensional Tree）
   1. 原理：它是一种对 k 维空间中的点进行划分的数据结构，通过递归地将 k 维空间划分为两个半空间，从而实现对数据的快速查找。
   2. 优点：实现相对简单，适用于低维数据（维度通常小于 20）。
   3. 缺点：随着数据维度的增加，其查询效率会显著下降，出现“维度灾难”问题。
2. Ball Tree