向量資料庫 Vector Database

用相似度搜尋文字、圖片或其他資料的資料庫。

先用一句話理解

用相似度搜尋文字、圖片或其他資料的資料庫。

打個比方

像找意思相近的資料，而不是只找完全相同的字。

什麼時候會遇到

做 AI 搜尋、RAG、語意搜尋或推薦時。

再往深一點看

向量資料庫是一種特化的資料庫，它儲存的不是原始文字，而是文字或圖片被 embedding 模型轉成的高維度數字陣列（向量）；查詢時它比較向量之間的距離，找出「意思最近」的資料，而不是字面完全吻合的資料。這讓它能做到傳統 SQL 資料庫辦不到的「語意搜尋」：問「如何取消訂單」也能找到寫著「退訂步驟」的段落。向量資料庫是 RAG 流程裡的「檢索層」，只負責把最相關的段落找出來，不負責生成答案——生成答案是後面 LLM 的工作。常見選項包括專用服務 Pinecone、Qdrant，以及如果你已在用 Supabase，也可直接啟用內建的 pgvector 擴充套件。

舉個例子

你用 OpenAI 的 text-embedding-3-small 把產品說明書的每個段落都轉成向量，存進 Supabase pgvector。使用者搜尋「防水等級」時，系統把這個問句也轉成向量，讓 pgvector 找出距離最近的三個段落，再把這三段文字回傳給前端或交給 LLM 生成回答。

常見誤解

- 資料量只有幾百筆也急著架 Pinecone，其實 Supabase pgvector 或簡單的全文搜尋就夠用，多花了維運成本。
- 存進向量資料庫之前沒先更新資料，文件改版後向量仍是舊的，搜尋結果就會是過期答案。
- 把整份長文件存成一個向量，導致單一向量混入太多主題，查詢時相似度被拉平，找不到真正相關的段落。