---
id: ai.vector-db.index
title: 向量数据库
type: index
domain: ai
stack: [vector-db]
tags: [向量数据库, HNSW, pgvector, Chroma, Milvus]
week: [5, 6]
---

# 向量数据库

RAG 的检索基础设施。重点是讲清楚**距离度量、近似索引的召回和延迟取舍、带过滤的检索、选型理由**，而不是背某个产品的 API。项目里使用 pgvector（复用第 3~4 周学的 PostgreSQL）。

## 学习路线

| 顺序 | 课程 | 级别 | 预计 |
| --- | --- | --- | --- |
| 1 | [向量检索原理：距离度量、暴力检索、HNSW / IVF 近似索引](01-ann-metrics.md) | 基础 | 2.5 小时 |
| 2 | [向量库选型和 pgvector 实战：Chroma / pgvector / Milvus / Elasticsearch](02-selection-pgvector.md) | 进阶 | 3 小时 |

## 企业场景

- [多租户知识库的向量索引：隔离、过滤召回和增量更新](scenarios/multi-tenant-index.md)

## 面试题

- [向量数据库面试题](interview.md)

## 示例代码

- [examples/vector-stores](examples/vector-stores/)：`chroma_demo.py`（内存模式，自带向量，元数据过滤、更新删除，和暴力检索对比召回率）；`pgvector_demo.py`（HNSW 索引、过滤查询、执行计划，需要 `TEST_DATABASE_URL` 和 pgvector 扩展，否则跳过）

## 在 16 周计划中

- [第 5 周：RAG（一）](../../../plan/week05-rag-1.md)、[第 6 周：RAG（二）](../../../plan/week06-rag-2.md)

## 官方资料

产品更新很快，接口和参数以官方文档为准：

- pgvector：https://github.com/pgvector/pgvector
- Chroma：https://docs.trychroma.com/
- Milvus：https://milvus.io/docs
- Elasticsearch 向量检索：https://www.elastic.co/docs/solutions/search/vector