向量数据库专门用于存储和处理向量数据。它的能够高效地存储和检索向量数据，使开发者能够进行高级的相似性搜索和分析。
在大模型时代，文本、图像、音频和其他非结构化数据，通常被嵌入到一定维度的向量空间，使用向量数据库能够高效地存储和检索这些数据。
1、常见向量数据库
（1）Milvus：一个开源的矢量数据库，支持高维向量存储和检索，并且具有良好的扩展性和性能；
（2）Faiss：Facebook AI Reasearch开发的库，专门用于高维向量的快速相似性搜索；
（3）Elasticsearch：主要用于文本搜索，也可以用于存储和检索嵌入向量。
2、向量数据库优势
（1）高效检索
（2）语义搜索
（3）可扩展性
（4）实时应用
3、向量数据库应用
（1）语义搜索
（2）推荐系统
（3）文档聚类
4、传统数据库与向量数据对比
| 对比项 | 传统数据库 | 向量数据库 |
|---|---|---|
| 数据模型 | 使用表格、文档或图形结构来存储数据 | 专注存储和检索向量表示，通常用于自然语言处理和机器学习任务 |
| 查询语言 | SQL | 查询语言针对向量搜索进行了优化，如FAISS库中的向量搜索 |
| 数据类型 | 支持多种数据类型，包括数字、文本、日期等 | 主要关注向量数据类型 |
| 应用领域 | 广泛应用于企业应用、电子商务、数据分析等领域 | 主要用于字让语言处理、图像处理、推荐系统等需要向量表示的领域 |
参考
- Chatbot从0到1（第2版）：对话式交互实践指南
- chatbot-0-to-1
