跨国深谈← 返回←向量数据库 (vector database)

集里怎么说它

• 《OLX CPO 用智能体接管了产品团队运营》(24:02起):本集说向量数据库是记忆的第二层，智能体收到的每条知识都立即转为向量，用来做模糊检索，因为大多数请求不是精确关键词能匹配的
• 《把上下文当资产预编译：Pinecone Nexus 如何重做智能体检索》(00:05起):本集说它为语义搜索提供稠密检索，是早期 RAG 模式的核心组件，也是 Pinecone 起家的形态。
• 《AI 让个人更快，却没让团队更快：智能体记忆才是真瓶颈》(12:35起):本集把向量数据库列为智能体需访问的四种数据存储之一，并质疑多库并存时「你的唯一真相来源在哪里」
• 《为 AI 智能体构建文档上下文层:LlamaIndex 谈 2026 年的 RAG》(01:57起):本集在描述 naive RAG 流水线时提到切块、嵌入后放进向量数据库、做 naive top-k 检索。
• 《从40份文件到8万份文件:企业AI落地卡在哪》(03:27起):本集把元数据标签注入向量数据库以提升聊天机器人相关性;数据切片定时自动刷新,保证向量数据库里的元数据始终最新。
• 《搜代码不用向量库，搜公司文档为什么不行？》(03:03起):本集提到 Claude Code 试验过向量数据库但放弃了，原因不只是性能，更是预建索引难与不断更新的代码保持同步。
• 《当几十亿个AI智能体冲向你的数据库》(02:22起):本集说向量数据库 2016 年就有了,ChatGPT 爆火后恰逢其时,但它护城河不大——归根结底只是一个索引,一年内人人都有向量索引,已成标准入场筹码
• 《无限上下文窗口是个神话：别再往里塞东西了》(07:07起):本集说长期记忆可以用向量数据库实现，配合不同提示词理解对话并按需保存不同类型的记忆。

① 提到它的金句

1 条

一个是我们会有泛化能力更好的系统，因为每当你增加一个搜索引擎、或向量数据库(它就是一种搜索引擎)、或某种步骤间的路由逻辑，这种人工整理就真的限制了系统做很多不同事情的能力。
One is we will have systems that can generalize better because every time you add a search engine or a vector database, which is a search engine, or some conditional logic to route between the steps, this human curation really limits the ability of that system to do a lot of different things.
—— Alexander Whedon · [30:24]

指向原始笔记的链接

② 出现在这些集

8 集

• 《OLX CPO 用智能体接管了产品团队运营》 — 作为概念
• 《把上下文当资产预编译：Pinecone Nexus 如何重做智能体检索》 — 作为概念
• 《AI 让个人更快，却没让团队更快：智能体记忆才是真瓶颈》 — 作为概念(提及)
• 《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)
• 《从40份文件到8万份文件:企业AI落地卡在哪》 — 作为概念
• 《搜代码不用向量库，搜公司文档为什么不行？》 — 作为概念
• 《当几十亿个AI智能体冲向你的数据库》 — 作为概念
• 《无限上下文窗口是个神话：别再往里塞东西了》 — 作为概念

③ 关联

点进去有真内容 —— 本页主要出口

智能体 · RAG · 上下文 · Neo4j · Claude Code · MCP · 知识图谱 · 语义层 · Oracle · LlamaIndex