向量数据库

general · First seen 2026-05-22 · Last seen 2026-11-18 · 130 mentions

Overview

向量数据库是专门存储和检索高维向量(文本、图片等内容的嵌入表示)的数据库系统,是当前 RAG 检索增强生成与 Agentic AI 应用召回环节的基础设施。随着大模型应用从单轮问答走向多步智能体,这个赛道的竞争焦点正从“能否做向量检索”转向混合搜索能力、与主流嵌入模型的深度集成,以及运维与成本效率。

向量数据库近期进展

  • Pinecone 集成 Gemini Embedding 2,混合搜索免建第二索引:Pinecone 宣布支持 Google Gemini Embedding 2,并让混合搜索不再需要额外维护第二套索引,降低了开发者的使用门槛。
  • Pinecone 集成 OpenAI text-embedding-3 模型:这是 Pinecone 在近期内对主流嵌入模型的又一次快速跟进,反映出向量数据库厂商正把“开箱即用的嵌入集成”作为核心卖点。
  • Databricks 推出 Lakebase Search,在 Postgres 内直接实现向量与混合搜索:Databricks 把向量与混合搜索能力内置进 Postgres 生态,体现了数据平台厂商“不外挂专用库、在现有数据库里解决”的路线。
  • milvus-backup 0.6 快照备份格式让恢复提速约 36%:开源向量数据库 Milvus 在可靠性工具链上持续迭代,快照备份的新格式使恢复速度提升约 36%。
  • Weaviate 11月19日网络研讨会:搭建首个 Agentic AI 应用:Weaviate 围绕智能体应用场景做开发者教育,显示厂商正把叙事重心从纯检索转向 Agentic AI 全流程。
  • 当前焦点与观察点

    当前向量数据库行业的争议核心是“专用 vs 内置”:Databricks 这类数据平台把混合搜索塞进 Postgres,而 Pinecone、Weaviate、Milvus 等专业厂商则通过快速集成 Gemini Embedding 2、OpenAI text-embedding-3 等模型和免建第二索引的混合搜索来强化差异化。另一条值得关注的线索是成本效率——Hugging Face 提出的 Token Pooling-Aware Training 为多向量嵌入模型瘦身,从模型侧压缩存储与检索开销。对使用方而言,选型时应重点考察混合搜索的索引维护成本、备份与恢复能力,以及与自家嵌入模型管线的兼容性,而不只是看单一基准跑分。

    Coverage

    10 on file