跨国深谈← 返回←向量搜索 (vector search)

集里怎么说它

• 《数据库60年 vs 智能体18个月：MongoDB 谈检索与记忆》(01:33起):本集说向量本质是浮点数数组，在灵活 schema 上加属性建索引即可实现；核心是把数据映射进几何空间做相似度检索。
• 《法律 AI 的搜索之战：从 Elasticsearch 到对象存储原生》(15:37起):本集说向量搜索有图导航和聚类树两种做法，Turbo Puffer 把向量组织成簇的簇的簇、像一棵复杂 B 树，让访问匹配内存层级。
• 《为 AI 智能体构建文档上下文层:LlamaIndex 谈 2026 年的 RAG》(20:00起):本集在讲文档搜索工具集时提到向量搜索,与检索、BM25、grep 并列。
• 《上下文会腐烂：Chroma CTO 谈检索的下一站与 200 亿参数搜索子智能体》(00:40起):本集说它是检索问题的早期答案,但现有向量搜索系统围绕单个大索引设计、被分区后准确度下降,不适合 AI 应用海量小索引的负载。
• 《前沿正在回家：把超级智能的记忆装进你自己的口袋》(07:31起):本集说演讲者做的是一款直接嵌入你应用的向量搜索引擎,把图片和标签转成嵌入写入本地向量库,支撑对记忆的语义搜索。
• 《当几十亿个AI智能体冲向你的数据库》(00:34起):本集说向量搜索仍会被用来增强智能体,只是不再需要专门数据库;例外是超专精、性价比极高的 TurboPuffer

① 提到它的金句

1 条

在网络规模下，文本搜索比做向量搜索更困难、计算成本更高。
Text search at web scale is more difficult and more computationally expensive than doing vector search.
—— Simon Eskildsen · [19:06]

指向原始笔记的链接

② 出现在这些集

6 集

• 《数据库60年 vs 智能体18个月：MongoDB 谈检索与记忆》 — 作为概念
• 《法律 AI 的搜索之战：从 Elasticsearch 到对象存储原生》 — 作为概念
• 《为 AI 智能体构建文档上下文层:LlamaIndex 谈 2026 年的 RAG》 — 作为概念(提及)
• 《上下文会腐烂：Chroma CTO 谈检索的下一站与 200 亿参数搜索子智能体》 — 作为概念
• 《前沿正在回家：把超级智能的记忆装进你自己的口袋》 — 作为概念
• 《当几十亿个AI智能体冲向你的数据库》 — 作为概念

③ 关联

点进去有真内容 —— 本页主要出口

智能体 · RAG · Anthropic · 对象存储 · 向量数据库 · MCP · Postgres · Snowflake · BM25 · Databricks