Vector Database 是什麼？讓 AI 用語意找資料的倉庫

你把一百份文件丟給 AI，它怎麼在三秒內找出最相關的那三段？靠的不是關鍵字搜尋，是向量資料庫。

這是知識庫能運作的基礎設施。搞懂它，你會知道為什麼「切片」跟「嵌入模型」那麼重要。

定義

向量資料庫是專門用來儲存、索引與檢索向量資料的資料庫。它能根據語意相似度而非關鍵字，快速找到最相關的內容。

四個特點：語意搜尋、高效檢索、可擴充性、以及與模型和知識庫架構的彈性整合。

白話比喻

一般資料庫像照書名筆畫排的書架，你要記得書名才找得到。向量資料庫像照「內容在講什麼」擺書。

你走進去說「我想找講如何帶新人的書」，它會把管理、教練、溝通那幾櫃一起端給你，就算書名裡沒有「新人」兩個字。

資料怎麼變成可檢索的向量

1. 資料來源：文件、網頁、資料庫等多種格式的資料。
2. 資料切分：切成小段落，也就是 Chunking 切片。
3. 向量化：用 Embedding 模型把文字轉成向量。
4. 儲存與建索引：向量加上中繼資料一起存進資料庫。
5. 檢索與應用：語意相似度搜尋，把結果提供給模型生成答案。

在 RAG 架構裡，使用者的問題也走同一條路：先向量化，再比對，取回最相關的幾段，組成上下文交給模型。

跟相近名詞的差別

實際用例

常見場景：企業知識庫與內部問答、智慧客服、內容推薦、法遵與內稽的條文檢索、技術文件查詢、個人知識管理。

實務上的四個關鍵：切分策略、嵌入模型品質、取回筆數的設定、以及定期更新資料保持新鮮度。