在传统的开发场景中，我们习惯于使用 SQL 进行关键字检索。但在大语言模型（LLM）驱动的 RAG（检索增强生成） 架构中，我们需要的是语义搜索。
向量数据库（Vector Store） 正是为此而生：它将文本转换为高维向量，通过计算向量间的“相似度”来寻找答案，而非死板的字面匹配。
一、 为什么需要向量数据库？
传统数据库（如 MySQL）擅长精确匹配，但在处理“意思相近但用词不同”的情况时显得力不从心。向量数据库的核心逻辑是：
- 向量化：将非结构化数据（文本、图像）转化为数学上的高维向量。
- 相似度搜索：给定一个查询向量，在海量库中快速找到距离最近（最相似）的向量并返回。
目前主流的向量数据库包括 Chroma（LangChain 官方主推）、Faiss（Meta 出品，高性能）、Milvus 等。
二、 Chroma 实战：从加载到 RAG 生成
Chroma 是一个开源、易用且功能丰富的向量数据库，非常适合快速原型开发。
1. 环境准备
pip install langchain-chroma
2. 核心操作流程
以下展示了从加载文档到最终调用大模型生成答案的完整链路。
from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import BaichuanTextEmbeddings
from langchain_community.vectorstores import Chroma
# 第一步：加载与分块
raw_documents = TextLoader('sora.txt', encoding="utf-8").load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=20)
documents = text_splitter.split_documents(raw_documents)
# 第二步：向量化（以百川模型为例）
embeddings_model = BaichuanTextEmbeddings(api_key="your_api_key")
# 第三步：存储并持久化
db = Chroma.from_documents(documents, embeddings_model, persist_directory="./chroma_db")
# 第四步：相似性检索
query = "什么是Sora"
docs = db.similarity_search(query, k=2) # 返回最相关的2个片段
3. 加入 RAG 生成阶段
将检索到的上下文（Context）喂给 LLM，生成最终答案：
from langchain.chat_models import ChatOpenAI
# 获取检索到的第一个片段
context_str = docs[0].page_content
# 构建 Prompt
template = f"参考信息：{context_str}\n问题：{query}\n你的回答："
# 调用 LLM（以 DeepSeek 为例）
llm = ChatOpenAI(
model="deepseek-chat",
api_key="sk-xxx",
base_url="https://api.deepseek.com"
)
response = llm.invoke(template)
print(response.content)
从磁盘加载向量数据库
db3 = Chroma(persist_directory="./chroma_db", embeddings_model)
docs = db3.similarity_search(query)
print(docs[0].page_content)
三、 高阶管理：更新与删除
在生产环境中，我们需要对向量库进行增删改查。这需要通过 ids 来标识每个 Chunk。
Python
import uuid
# 1. 为每个分块分配唯一 ID
ids = [str(uuid.uuid4()) for _ in documents]
new_db = Chroma.from_documents(documents, embeddings_model, ids=ids)
# 2. 更新文档
new_db.update_document(ids[0], docs[0])
# 3. 统计与删除
print(f"当前 Chunk 总数: {new_db._collection.count()}")
new_db._collection.delete(ids=[ids[-1]]) # 删除最后一个片段
四、 进阶选型：Faiss vs Chroma
Faiss (Facebook AI Similarity Search) 是由 Meta 开发的高性能向量搜索工具。
-
安装：
pip install -U faiss-cpu(或faiss-gpu) -
代码实现：与 Chroma 基本一致，仅类名切换。
from langchain_community.vectorstores import FAISS db = FAISS.from_documents(docs, embeddings_model)
如何选择？
| 维度 | Chroma | Faiss |
|---|---|---|
| 数据规模 | 中小型数据、本地原型 | 海量数据（百万/千万级） |
| 硬件支持 | 侧重 CPU/本地存储 | 完美支持 GPU 加速 |
| 易用性 | 开箱即用，API 简单 | 需要手动管理索引结构，门槛略高 |
| 功能集成 | 支持过滤、复杂管理 | 专注于核心检索速度 |
五、 总结
- 如果你是初学者或快速构建 Demo，Chroma 是不二之选，它与 LangChain 集成度最高，操作直观。
- 如果你追求极致性能或处理海量特征向量，则应选择 Faiss，并结合 GPU 加速来实现毫秒级响应。
