向量數據庫，無疑是近兩年大火的一種新型數據庫產品。作為一種專門為處理高維向量數據而設計的數據庫系統，其核心功能在于高效存儲、索引和檢索這些代表非結構化數據（如文本、圖像、音頻、視頻）。與傳統數據庫基于精確匹配的查詢不同，向量數據庫通過計算向量之間的距離或相似度（如余弦相似度、歐氏距離）來執行近似最近鄰搜索，從而找到語義上最相關的結果，這使其成為管理和解鎖非結構化數據價值的關鍵基礎設施。特別是隨著近些年人工智能的飛速發展，極大促進了向量數據庫的專業化與商業化進程?；氐絿鴥?，近年也涌現了一大批數據庫產品，共同構成了蓬勃發展的國內向量數據庫市場生態，支撐著各行各業智能化應用的落地。本文將嘗試針對向量數據庫評估及部分國產數據庫向量能力入口，談談國產向量數據庫當前現狀如何？

1. 向量庫實現路徑及評估體系

1)向量數據庫技術路徑

從向量數據庫實現技術路徑上看，大致分為兩類。一種是垂直類原生向量數據庫（如 Milvus、Pinecone），另一種是集成向量功能的通用數據庫（如 PostgreSQL with pgvector、Elasticsearch）。前者的優勢在于極致的檢索性能和規模。它們從底層架構上就為海量向量的快速查找而設計，因此在對響應速度和數據處理規模有嚴苛要求的場景中是首選；但其主要挑戰在于部署和運維的復雜性及處理復雜的多條件過濾、關聯查詢時，其靈活性可能不如成熟的通用數據庫。而后者的核心優勢是便捷性和統一架構。對于已經在使用通用數據庫的公司來說，通過加載插件或升級版本，就能快速獲得向量檢索能力，無需引入新的數據庫系統，這極大地降低了技術復雜度和運維成本；更重要的是，可以利用標準方式實現向量與結構化數據的聯合查詢。其不足之處在于應對超大規模、高并發的純向量搜索需求時，性能天花板可能低于前者。

從長期發展來看，這兩種技術路徑的邊界正在模糊。未來可能不會是非此即彼的選擇。一方面原生向量數據庫正在增強其SQL兼容性和復雜查詢能力，另一方面傳統數據庫則在不斷優化其向量搜索的性能和索引類型，這種融合趨勢將使最終用戶受益。此外，云托管與服務化也成為一種趨勢，這將有效降低企業的使用門檻和運維負擔。同時，產品聚焦AI原生與多模態，與AI工作流更深度地整合，成為RAG（檢索增強生成）的核心組件，并為圖像、音頻、視頻等多模態數據提供統一的語義檢索能力成為另一趨勢。從產業角度來看，個人更傾向于通用數據庫的技術路徑，這主要是源于來自需求側的發展趨勢。從根植于數據載體的數據庫本身出發，不斷探索AI使用場景，通過擴展向量能力更有助于低成本地實現這一過程。本文后面也將定位國產通用數據庫的向量能力進行說明。

2)向量數據庫評估體系

向量數據庫尚沒有類似國家或行業標準的評估體系，能查到的是來自信通院的評測標準，其包含基本功能、運維管理、安全性 、兼容性、擴展性、高可用以及工具生態七大能力域共47個測試項，其中分為27個必選項和20個可選項。目前包括百度云、騰訊云、拓數派、浪潮海諾等公司產品通過此評測，從中可以看出基本為原生向量數據庫。

我們再看看DeepSeek是怎么看待的向量評測標準的，其給出下面提示。

• 性能是評估向量數據庫最直觀的維度，但需要綜合看待多個指標。查詢延遲（Latency）指完成一次查詢所需的時間，尤其要關注P99延遲，這比平均延遲更能反映系統的穩定性。QPS則衡量系統在高并發下的處理能力。需要注意的是，這兩個指標與召回率（Recall）密切相關，通常需要在三者之間進行權衡。評估數據插入性能時，不能只看單個寫入請求的速度，更要關注從數據寫入到可被檢索的整體時間（包括索引構建時間）。這對于實時性要求高的應用（如實時推薦）至關重要。
• 可擴展性策從水平和垂直兩個維度來看待，水平擴展（通過增加節點擴展集群）通常比垂直擴展（升級單節點硬件）具有更高的靈活性和上限，更適合數據量持續增長的場景。需要評估數據庫在數據量從百萬級增長到十億級時，能否保持性能的平滑過渡。
• 功能特性方面，主要看是否支持多種索引算法（如HNSW, IVF），以適配不同的精度和性能需求，是否支持混合查詢至關重要。
• 運維與開發方面，前者更關注于企業級功能，如多租戶、權限控制、數據加密、監控告警和災難恢復等能力；后者則希望有良好的開發體驗能顯著降低項目周期，評估其是否提供簡潔的API、豐富的多語言SDK（如Python、Go、Java）、以及與主流AI框架（如LangChain、LlamaIndex）的開箱即成集成。
• 成本與生態角度，是否提供多種部署方式（全托管、自運維等），是否支持支持在傳統數據庫通過插件或升級來獲得向量能力。后者的優勢在于可以利用現有數據庫體系和SQL技能，實現結構化數據與向量數據的統一查詢。

2. 國產向量數據庫能力面面觀

如前文所講，本文聚焦于通用數據庫支持向量能力，而非專用向量庫；因此參照上文的評估體系，這里沒有將重點放在開發、運維能力層面，這些對于通用數據庫來說已經大多具備。另一方面也沒有將性能和擴展性作為要點，上述這些能力是需要真實評測才具有說服力。這里僅就向量自身的功能特性作為要點進行說明。此外，在收集信息的過程中發現，有些國產數據庫產品外部宣傳已經支持了向量，但大多還在原型階段或文檔還沒有放出，沒有更多詳細信息因此未列入其中。從這方面也不難看出，國內數據庫廠商就向量能力來看，還多處于探索階段。特別說明下，之前也有文章介紹的VexDB，后續其全部能力將內嵌入海量數據庫G100 V3.0版本中，因此也作為通用數據庫產品列入說明。

若干名詞介紹：

• 向量嵌入（Vector Embeddings）是一種數據向量化的手段，指的是使用機器學習技術將各類非結構化數據（文本、圖像和音頻等）轉化為固定長度的數字向量的過程，被廣泛應用于多模態非結構化數據檢索任務中。
• 相似性搜索，K 最近鄰（K-Nearest Neighbor, KNN）算法和近似最近鄰（Approximate Nearest Neighbor, ANN）算法是向量檢索中常用的兩種技術。KNN 優先考慮準確性，細致地識別“K”個最近鄰居。ANN 注重速度和效率，查找近似查詢點的最近鄰居，無法保證得到一組精確的最佳匹配；但 ANN 能夠在高準確性和更快性能之間取得平衡。
• 余弦相似度（cosine similarity）是衡量兩個向量的角度差異，它反映了兩個向量在方向上的相似度，與向量的長度（大?。o關。內積又稱為點積或數量積，表示兩個向量之間的一種乘積。在幾何意義上，內積表示兩個向量的方向關系和大小關系。