TL;DR | 面試情境模擬 #
👴 面試官：什麼是向量資料庫？和一般資料庫有什麼差別？
🧑💻 你：一般資料庫用 SQL 做精確查詢（WHERE name = ‘Alice’），向量資料庫做相似度查詢（找到和這個向量最近的 K 個向量）。應用在 RAG 系統裡：文件先轉成 Embedding 向量存進去，查詢時把問題也轉成向量，找最相似的文件片段給 LLM 參考。Pinecone 是 Managed 服務最容易上手，pgvector 是 Postgres 的擴充套件，不用多一個服務，Chroma 適合本地開發。
比喻：圖書館的兩種找書方式 #
- 一般資料庫：去找書名叫「貓」的書（精確匹配）
- 向量資料庫：去找「主題和貓差不多的書」——可能找到「寵物飼養指南」「虎貓的生態」「家庭動物行為學」（語意相似）
向量資料庫的核心操作 #
寫入（Upsert） #
# 把文件轉成向量後存入
import openai
text = "PostgreSQL 是功能最完整的開源關聯式資料庫"
embedding = openai.embeddings.create(
model="text-embedding-3-small",
input=text
).data[0].embedding # [0.23, -0.71, 0.15, ...]
# 存入向量資料庫
collection.add(
documents=[text],
embeddings=[embedding],
ids=["doc_1"]
)
查詢（Query） #
# 把問題也轉成向量，找最相近的文件
query = "哪個資料庫功能最多？"
query_embedding = get_embedding(query)
results = collection.query(
query_embeddings=[query_embedding],
n_results=3 # 取最相近的 3 筆
)
常見向量資料庫比較 #
| 資料庫 | 類型 | 特點 | 適合場景 |
|---|---|---|---|
| Pinecone | Managed Cloud | 全託管，零維運，有免費額度 | 生產環境，不想管基礎設施 |
| pgvector | Postgres 擴充 | 已有 Postgres 可直接用 | 不想多一個服務，資料量中等 |
| Chroma | 本地 / Server | 開源，最容易本地跑 | 開發測試，原型 |
| Weaviate | Open Source | 功能豐富，支援多種搜尋模式 | 複雜查詢需求 |
| Qdrant | Open Source | 高效能，支援過濾查詢 | 需要精準過濾 + 語意搜尋 |
| Supabase | Managed | pgvector + Postgres 打包 | SaaS 開發，一站式 |
怎麼選？ #
已有 Postgres？
├─ 是 → pgvector（零額外成本）
└─ 否
├─ 只是開發測試 → Chroma（本地）
├─ 想要全託管 → Pinecone 或 Supabase
└─ 需要複雜過濾 + 高效能 → Qdrant
ANN 演算法：為什麼搜尋那麼快？ #
向量資料庫不是逐一比對所有向量（Exact NN，向量多了會很慢），而是用 ANN（Approximate Nearest Neighbor） 演算法：
- HNSW（Hierarchical Navigable Small World）：建立多層圖結構，搜尋時跳躍式縮小範圍。大多數向量資料庫的預設演算法
- IVF（Inverted File Index）：把向量分成多個 cluster，搜尋時只看相關的 cluster
代價是「近似」，不保證找到絕對最近的向量，但誤差極小，搜尋速度可以提升幾個數量級。
💡 延伸問題 #
Q1：向量資料庫和 Elasticsearch 的差別？ #
ES 是關鍵字搜尋（BM25 演算法），擅長精確詞語匹配。向量資料庫是語意搜尋，擅長意思相近的查找。現代搜尋系統通常混合使用（Hybrid Search）：關鍵字匹配找精確結果，向量搜尋找語意相關結果，再 re-rank 合併。
Q2：Chunking 怎麼影響搜尋品質？ #
片段太長：向量被多個主題稀釋，相似度計算不準確。
片段太短：上下文不足，LLM 拿到的資訊不完整。
常用策略：512 tokens + 10% 重疊（overlap），確保跨片段的語意不中斷。
Q3：向量資料庫有 ACID 保證嗎？ #
大多數沒有完整的 ACID。pgvector 繼承 Postgres 的 ACID。Pinecone、Chroma 等的一致性保證較弱，適合搜尋場景（不需要強一致性）但不適合做主資料庫。