Vector Search 向量搜尋是什麼？讓 AI 懂你的意思而不是字面

你在知識庫裡搜「機器學習怎麼入門」，結果一片空白，因為你的文件標題寫的是「深度學習初始指南」。

關鍵字搜尋只認字面，向量搜尋認的是意思。這一篇講清楚它怎麼辦到。

定義

Vector Search（向量搜尋）透過把文字、圖片、語音等資料轉換成向量，在高維度空間中比較語義相似度，找出最相關的結果。

它的核心是「語義理解」。它不看關鍵字，而是理解你真正想要的意思，找出最符合語意的答案。

運作流程

1. 使用者輸入查詢，用自然語言問就好。
2. 用 Embedding 模型把查詢轉換成向量。
3. 在向量資料庫中搜尋已建好的文件向量。
4. 計算相似度並排序，常用的度量是餘弦相似度。
5. 回傳最相關的前幾筆結果。

白話比喻

傳統關鍵字搜尋像對答案，字要對得上才算數。你查「機器學習 入門」，可能只撈到標題剛好含有相同關鍵字的那幾份。

向量搜尋像聽懂你的意思。同樣一句「機器學習入門」，它能找到深度學習初始指南、AI 新手教學、如何進入資料科學領域這些用詞不同但概念相近的內容。

跟關鍵字搜尋差在哪

實際用例

最常見的四個場景是智慧客服、文件檢索、推薦系統、知識庫問答。共同點都是使用者不會用你文件裡的原話發問。

常見的向量資料庫有 Pinecone、Weaviate、Milvus、Qdrant、Chroma、FAISS。它們支援高維向量索引、快速近似搜尋，也支援用中繼資料先過濾再搜。

常見的 Embedding 模型則有 OpenAI 的 text-embedding-3、Google 的 text-embedding，以及開源的 sentence-transformers。

優點與限制

• 優點，理解語義，超越關鍵字匹配；找出更相關但不同表述的內容；對同義詞與相近概念更敏感；提升搜尋體驗與準確度。
• 限制，需要先建立向量，有計算成本；效果依賴 Embedding 模型的品質；可能回傳語義相似但不精確的內容；向量維度高，需要較多儲存空間。

所以它適合語義搜尋、問答與推薦，不適合單獨拿來查型號、代碼或法條編號這類要求逐字命中的情境。