AI 数据库中的向量检索是如何实现的？

1. 向量化（Embedding）

• 原始数据经 Embedding 模型转换为固定维度向量
• 支持库内生成或外部写入，入库即向量化可简化 ETL 链路并保障一致性

2. 近似最近邻搜索（ANN）

• 通过向量索引以近似方式查找与查询向量最相似的若干条目
• 以余弦相似度、内积、欧氏距离等度量相似度

3. 标量过滤与向量排序协同

• 先以结构化索引粗筛候选集，再对候选做向量相似度排序（谓词下推）
• 或在索引内部直接应用标量过滤，减少中间结果集大小

4. 增量更新与实时检索

• 新写入向量先落入内存缓冲，后台线程定期合并到主索引，实现"写后即可查"
• 解耦写入与索引构建，避免 Agent 场景下高频写入导致检索抖动