Skip to content
学习笔记 · Lv3 后端工程化

向量数据库

embedding、HNSW 参数与混合检索:给 RAG 装上"找得准"的那一半。

支线7 章

开始学习 → 从「第 1 章:为什么需要向量检索」读起← 回到书架

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 minembedding 模型选型、三种距离度量、同模型才可比
3 · 最小可用⭐ 18 minDocker 起 Qdrant、建集合、灌数据、看 Top-K 分数
4 · 索引与召回参数⭐⭐⭐ 22 minm / 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 minQdrant / 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

🧭 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
本文阅读--次|全站访问--次|访客--人