向量数据库
关键词检索找的是"字一样",向量检索找的是"意思像"。这门课把"意思像"这件事,从原理一路做到能上线的服务。
🗺️ 学习路线图
| 阶段 | 章节 | 你要解决的事 |
|---|
| 🧠 想明白 | 第 1–2 章 | 为什么关键词会失手、向量是怎么来的 |
| 🔧 跑起来 | 第 3 章 | 起库、灌 1000 条、查一次、看召回 |
| 🎛️ 调得准 | 第 4–5 章 | 索引参数、过滤的坑、混合检索与重排 |
| 🚀 选对上 | 第 6–7 章 | 五种方案怎么选、上线要做的九件事 |
📚 章节导航
| 章节 | 难度 · 阅读 | 一句话概要 |
|---|
| 1 · 为什么需要向量检索 | ⭐ 15 min | 关键词失手的三个场景,HNSW 的"分层走图"直觉 |
| 2 · 向量从哪来 | ⭐⭐ 18 min | embedding 模型选型、三种距离度量、同模型才可比 |
| 3 · 最小可用 | ⭐ 18 min | Docker 起 Qdrant、建集合、灌数据、看 Top-K 分数 |
| 4 · 索引与召回参数 | ⭐⭐⭐ 22 min | m / ef_construct / hnsw_ef、过滤的坑、何时重建 |
| 5 · 混合检索与重排 | ⭐⭐⭐ 22 min | 向量 + BM25、RRF 融合、交叉编码器重排 |
| 6 · 五种方案对比 | ⭐⭐ 20 min | Qdrant / pgvector / Milvus / Chroma / Redis 各在哪 |
| 7 · 上线 | ⭐⭐ 18 min | 容量估算、增量更新、备份、监控与降级 |
🎯 适合人群
| 人群 | 推荐起点 | 阅读建议 |
|---|
| RAG 老是搜不到东西 | 第 3 章 | 先跑通再看分数,别一上来就调参 |
| 只会用框架自带向量库 | 第 4 章 | 4.3 过滤的坑最容易踩 |
| 文档里有编号、错误码 | 第 5 章 | 光靠向量一定漏,混合检索是必需项 |
| 要选一个库落地 | 第 6 章 | 按"规模 + 现有技术栈"两列对照 |
| 准备上线 | 第 7 章 | 7.6 清单逐条勾,7.5 降级别省 |
📂 目录结构
docs/notes/vector-db/ # 课程正文(线上路径 /notes/vector-db/)
├── README.md # 本页:学习路线与章节导航
└── chapters/ # 7 个章节
├── 01-why-vector-search.md
├── 02-embeddings.md
├── 03-quickstart.md
├── 04-index-and-recall.md
├── 05-hybrid-rerank.md
├── 06-compare.md
└── 07-production.md
1
2
3
4
5
6
7
8
9
10
🧭 怎么读这门课
- 只想先看到效果:第 3 章,半小时能查出一个结果;
- 已经被"搜不准"折磨:1 → 4 → 5,重点看参数与混合检索;
- 要做技术选型:第 6 章,配一张决策图,够向团队解释了;
- 要写上线方案:第 7 章,容量公式与九项清单直接可用。
全程用 Docker 起 Qdrant,不折腾集群;示例数据沿用前几门课的"小书店"(8 本书切成 1000 个片段),和 Redis 课是同一个世界。
🔗 和其他课的衔接
| 关系 | 课程 | 怎么接 |
|---|
| 前置 | Redis 缓存与队列 | 第 3 章的 ZSet 是"按分数排序"的起点,本课换成"按语义排序" |
| 前置 | 本地部署 Ollama | 第 7 章跑过本地模型,本课第 2 章的 embedding 可以用同一套环境 |
| 后续 | Lv4「RAG 系统从零搭建」 | 本课的检索能力,接上切分、提示词与引用 |
| 后续 | Lv4「LangChain 入门到 RAG」 | 框架里的 vector store 抽象,底层就是本课这些库 |