zhuangang/topics/ai/vector-db/index.md

id, title, type, domain, stack, tags, week

id	title	type	domain	stack	tags	week
ai.vector-db.index	向量数据库	index	ai	vector-db	向量数据库 HNSW pgvector Chroma Milvus	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	基础	2.5 小时
2	向量库选型和 pgvector 实战：Chroma / pgvector / Milvus / Elasticsearch	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

面试题

• 向量数据库面试题

示例代码

• 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）、第 6 周：RAG（二）

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