向量数据库

按语义相似度而非关键词存取数据的系统，把内容转成数值向量，比较时看「意思有多接近」。

它是检索增强生成的后端组件。理解它，才能判断一个知识库方案在数据量涨上去之后还能不能扛住。

像按气味而不是按标签整理的图书馆：即使你记不清书名，只记得大致那股味道，也能把正确的几本抽出来。

把十万条客服问答导入 Qdrant 或 pgvector，当用户用完全不同的说法提问时，系统仍能召回语义相近的历史答案，再交给模型改写成合适的回复。

• 误解：向量数据库能理解业务含义。 事实：它只做相似度计算，答得对不对取决于嵌入质量和后续的重排策略。

• 误解：数据量很小也需要专门产品。 事实：几千份文档用现成应用内置的索引就够，引入独立数据库反而增加维护成本。

• 误解：换向量数据库就要重写整个应用。 事实：检索层通常独立于生成层，可以分阶段替换、平滑迁移。

• 误解：嵌入模型随便选一个都行。 事实：中文场景下不同嵌入模型差距明显，换模型通常要重建索引并重新评估效果。

• 嵌入（向量表示）把文字、图片等对象映射成一串能衡量语义距离的数值，意思越接近，这串数值在空间里就靠得越近。
• 检索增强生成先把你的资料切成片段建索引，提问时先检索出相关段落，再连同问题一起交给模型作答的方案。
• 模型上下文协议让不同 AI 应用以统一方式连接数据库、文件与外部工具的协议，把「怎么接」变成通用接口。
• Agent 智能体让模型不止给建议，而是自己拆解目标、规划步骤、调用工具、执行任务并检查结果的自动化系统。