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)
将项目本身作为智能体记忆载体可以避免传统向量数据库方案的信息碎片化问题
直接组合LangChain和向量数据库属于常规工程组合，很难构成可专利的创新点
向量空间本质上是无时间维度的，只能判断文本语义相似度，无法理解哪段记忆更新或已过时
对于中小型项目、原型验证、个人开发者或边缘部署场景，向量数据库带来的复杂度和成本可能远超实际需求
并非所有Agent记忆场景都需要向量检索，中小型项目、原型验证、个人开发者或边缘部署场景中向量数据库往往显得过重
现代RAG系统广泛采用向量检索技术，通过嵌入模型将文本转为高维向量并计算余弦相似度找到相关文档
Agent长期记忆通过向量数据库将文本转化为高维向量（通常768维或1536维），利用余弦相似度等算法进行语义检索
长期记忆的业界主流方案包括基于embedding的向量检索、基于知识图谱的结构化存储，以及两者的混合架构
向量数据库底层通常依赖近似最近邻算法（ANN），如HNSW、IVF
语义记忆层的实现通常借助向量数据库（如Chroma、Qdrant、Pinecone）进行向量化存储和相似度检索，这一技术路线被称为RAG
还有 13 条时间轴事件
全部知识事实 (20)
主流的向量数据库包括Pinecone、Weaviate、Milvus、Chroma等
90%已验证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%已验证长期记忆的业界主流方案包括基于embedding的向量检索、基于知识图谱的结构化存储，以及两者的混合架构
65%已验证RAG通过将文档切分为语义块后经嵌入模型转化为高维向量存入向量数据库，查询时通过近似最近邻（ANN）搜索找到语义最相近的文档片段
65%已验证共享记忆系统的技术实现路径包括关系型数据库结构化存储、向量数据库语义化存储、以及图数据库叠加向量索引的混合架构
65%已验证向量数据库将文本转化为通常768至3072维的高维向量，利用ANN算法进行检索，主流ANN算法包括HNSW和IVF-PQ
65%已验证企业级AI知识库的核心技术是RAG，需要结合Chunking策略、Reranking和Hybrid Search（混合BM25关键词检索与语义向量检索）来提升检索质量
65%已验证向量数据库（如Pinecone、Milvus）是知识库检索的核心组件，用于存储文本的语义向量并实现相似度搜索。
65%部分验证RAG is described as the most common technical approach in enterprise LLM applications.
65%待验证将项目本身作为智能体记忆载体可以避免传统向量数据库方案的信息碎片化问题
50%待验证直接组合LangChain和向量数据库属于常规工程组合，很难构成可专利的创新点
50%待验证向量空间本质上是无时间维度的，只能判断文本语义相似度，无法理解哪段记忆更新或已过时
50%待验证对于中小型项目、原型验证、个人开发者或边缘部署场景，向量数据库带来的复杂度和成本可能远超实际需求
50%待验证并非所有Agent记忆场景都需要向量检索，中小型项目、原型验证、个人开发者或边缘部署场景中向量数据库往往显得过重
50%