向量数据库
向量数据库是一种专门用于存储和检索高维向量数据的数据库系统。它能够将文本、图像、音频等非结构化数据的嵌入表示（Embedding）进行持久化存储，并基于向量间的余弦相似度、欧氏距离等度量方式支持近似最近邻（ANN）搜索。向量数据库广泛应用于语义搜索、推荐系统、图像检索及大语言模型增强检索等领域。
核心事实
时间轴 (近 90 天)
索引（Indexing）是通过Embedding把每个片段文本转成向量，再将片段文本和对应向量一起存入向量数据库
教程实测 500 字符块大小配合 100 字符重叠可将检索准确率提升近 40%，完整语义搜索引擎把搜索失败率从 60% 降到成功率 95%
在超大规模、对召回率和延迟有极致要求的场景下，专门优化的向量系统仍有不可替代的价值
文章核心论点是独立专门化的向量数据库作为独立产品品类可能不会长期存在，向量搜索正演变为通用数据平台的标准特性
对于中小规模且向量数据与业务数据高度耦合的应用，建议优先在现有数据库启用向量扩展而非引入独立系统
向量数据冷热分层并利用对象存储降低成本成为新一代检索系统的设计重点
RAG的工作流可拆解为三个步骤：将外部文档切分成文本块并通过embedding模型转换为向量存入向量数据库；用户提问时将问题向量化并做相似度检索取出Top-K文本块；将文本块拼接进提示词交由大语言模型生成回答
开发者绕过LLM记忆限制的常见方式包括将历史摘要写入系统提示，以及构建外部向量数据库进行动态检索
向量数据库（如 Pinecone、Weaviate、Chroma）通过高维向量嵌入实现语义相似度检索，适合模糊语义匹配失败方案
Hindsight 类记忆组件通常依赖向量数据库，通过嵌入模型将事件转为高维向量并用余弦相似度或近似最近邻算法检索
还有 40 条时间轴事件
全部知识事实 (20)
RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证Agent的记忆机制通常分为短期记忆和长期记忆两大类，长期记忆需借助向量数据库、关系型数据库、图数据库等外部持久化存储
80%已验证向量数据库如FAISS、Chroma、Weaviate通过将文本编码为高维向量建立索引，能毫秒级完成语义相似度检索
80%已验证RAG通过向量数据库（如Faiss、Chroma、Milvus、Pinecone）将文档转化为高维嵌入向量存储，在推理时基于语义相似度检索相关上下文注入提示词，用于解决LLM知识时效性和幻觉问题
80%已验证向量记忆数据库将历史对话内容转化为高维语义向量，在新对话时以相似度检索方式动态召回相关记忆片段并注入上下文窗口
80%已验证RAG通过将私有文档切分为文本块、转化为向量表示并存储在向量数据库中，检索相关内容注入Prompt来解决大模型知识截止日期的局限性
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%已验证Agent的记忆系统通常分为三个层次：工作记忆（当前对话上下文窗口）、短期记忆（近期交互历史）和长期记忆（通过向量数据库持久化存储）
80%已验证向量数据库存储的是文本经过Embedding模型转换后的高维向量，通常为768或1536维
80%已验证向量数据库（如ChromaDB、Milvus、Pinecone）采用HNSW、IVF等索引算法，能在百万甚至亿级向量中实现毫秒级检索
80%已验证向量数据库（如Pinecone、Weaviate、Milvus等）通过嵌入模型将文本转化为高维向量，使用余弦相似度或欧氏距离进行近似最近邻（ANN）搜索
80%已验证长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%已验证向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%已验证RAG（检索增强生成）在推理阶段引入外部记忆来约束模型生成边界，通过将文档切片、嵌入为向量存入向量数据库并在推理时检索相关片段注入Prompt
75%已验证解决AI叙事长期记忆问题的主流方案包括向量数据库存储关键剧情节点、RAG技术动态召回记忆片段以及专门的记忆管理模块
75%已验证检索增强生成（RAG）通过向量数据库将代码库切分为语义片段，在 AI 处理具体任务时动态检索最相关的内容注入上下文
75%已验证企业级Agent系统通常会引入外部记忆模块（如向量数据库）来存储长期记忆，以突破上下文窗口限制
75%已验证向量数据库通过余弦相似度或欧氏距离实现语义级别的模糊检索
75%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%