AI 圈向量与数据库
一、向量基础
（一）一维向量
- 向量得同时有 “大小” 和 “方向”，像物理里的位移、速度、力都能用向量表示。
- 一维向量是最简单的，只有一个 “分量”，比如在数轴上从原点往右边走 3 个单位，用 “3” 表示；往左边走 3 个单位，用 “-3” 表示，负号代表方向。
- 向量长度有物理意义，比如 “3” 的长度就是 3，对应实际里 “走了 3 米”“用了 3 牛的力” 这类具体大小。
（二）二维向量
- 比一维向量多一个维度，需要两个 “分量” 表示，像平面直角坐标系里的点（2,3），就是从原点出发，先沿 x 轴走 2 个单位，再沿 y 轴走 3 个单位指向的位置。
- 生活例子：从家出发，往东走 500 米，再往北走 300 米到超市，这个路线能用二维向量（500,300）表示，能体现 “东向” 和 “北向” 两个方向信息。
（三）向量嵌入
- 向量嵌入就是把文字、图片、音频这些不好直接计算比较的内容，转化成一串向量，比如 “猫”“狗” 的文字，猫的照片，猫叫的音频，都能转成类似 [0.2, 0.5, -0.1,...] 这样的向量。
- 转化后用途多，比如比较 “猫” 和 “狗” 的向量，能知道语义相似度；比较两张图片向量，能判断是不是同一只猫，常用在 AI 搜索、推荐、识别场景。
二、数据库基础操作
（一）创建数据库和集合
- 数据库像 “大文件夹”，集合像 “文件夹里的小本子”，比如 “学生数据库” 是大文件夹，“高一（1）班学生” 就是小本子（集合）。可以用工具（比如 Milvus）新建 “大文件夹”（数据库），再在里面建 “小本子”（集合）存同类数据，像全班学生的成绩、年龄。
（二）连接数据库
- 连接数据库相当于 “打开大文件夹的钥匙”，新建好数据库后，得输入 “地址、账号、密码”，就像输家门密码，连接上后才能改里面内容，比如往 “小本子” 加学生信息。
（三）创建索引
- 索引像 “小本子的目录”，如果 “小本子” 有 1000 个学生信息，找 “张三” 时，没目录得一页页翻，建了索引直接查目录就能定位，能让数据库查数据更快，适合数据量大的情况。
（四）管理集合
- 管理集合就是 “整理小本子”，可以给 “小本子” 改名字，比如把 “高一（1）班学生” 改成 “高一（1）班 2025 届学生”；删没用的 “小本子”，比如删掉毕业班级的集合；给 “小本子” 加新记录项，比如原本只记成绩，现在加 “兴趣爱好”，维护数据不乱糟糟。
三、Milvus 数据库相关
（一）Milvus 的 docker - compose.yml
- docker - compose.yml 是 “启动 Milvus 的配置文件”，像 “家电的说明书 + 启动开关”，文件里写了启动 Milvus 需要的组件，比如存数据的模块、处理请求的模块，还有每个组件用多少内存。学会写这个文件，运行后能快速启动 Milvus，不用手动装一堆东西。
（二）Schema
- Schema 是 “小本子的格式要求”，比如规定 “小本子（集合）里只能记‘学生 ID（数字）、姓名（文字）、成绩（数字）’”，不能随便写 “学生身高（文字）” 这类不符合的内容。给 Milvus 的集合定 Schema，能确保存进去的数据格式统一，后续查数据、算数据不报错。
（三）分区和 Segment
- 分区和 Segment 相当于 “给小本子分章节”，比如 “高一（1）班学生” 这个 “小本子”，按 “性别” 分成 “男生”“女生” 两个章节（分区），每个章节里的内容又分成 “1 - 50 页”“51 - 100 页”（Segment）。这样查 “男生的成绩” 时，不用翻整个本子，只看 “男生章节”，能提高查数据速度。
（四）集合属性
- 集合属性是 “小本子的基本信息”，比如 “小本子叫什么名字”“小本子里最多能记多少条数据”“小本子里的数据能不能改”，可以设置成 “只能加数据，不能删数据”。能学会怎么看、怎么改这些属性，比如查 “小本子最多能存多少条数据”，避免数据存满了还往里加。
四、补充内容
（一）向量类
- 围绕 “向量的计算（比如两个向量怎么加、怎么比大小）”“向量在 AI 里的其他用途（比如图片识别、语音翻译）” 展开，是对 “一维 / 二维向量”“向量嵌入” 的延伸，能更全面理解向量。
（二）数据库类
- 补充 “怎么删数据库里的错误数据”“怎么备份数据库（防止数据丢了）”“怎么给数据库加权限（比如只让老师改学生成绩，学生只能看）” 等实操细节，适合想把数据库用得更稳的人。
