1).向量数据库技术路径
从向量数据库实现技术路径上看，大致分为两类。一种是垂直类原生向量数据库（如 Milvus、Pinecone），另一种是集成向量功能的通用数据库（如 PostgreSQL with pgvector、Elasticsearch）。前者的优势在于极致的检索性能和规模。它们从底层架构上就为海量向量的快速查找而设计，因此在对响应速度和数据处理规模有严苛要求的场景中是首选；但其主要挑战在于部署和运维的复杂性及处理复杂的多条件过滤、关联查询时，其灵活性可能不如成熟的通用数据库。而后者的核心优势是便捷性和统一架构。对于已经在使用通用数据库的公司来说，通过加载插件或升级版本，就能快速获得向量检索能力，无需引入新的数据库系统，这极大地降低了技术复杂度和运维成本；更重要的是，可以利用标准方式实现向量与结构化数据的联合查询。其不足之处在于应对超大规模、高并发的纯向量搜索需求时，性能天花板可能低于前者。
从长期发展来看，这两种技术路径的边界正在模糊。未来可能不会是非此即彼的选择。一方面原生向量数据库正在增强其SQL兼容性和复杂查询能力，另一方面传统数据库则在不断优化其向量搜索的性能和索引类型，这种融合趋势将使最终用户受益。此外，云托管与服务化也成为一种趋势，这将有效降低企业的使用门槛和运维负担。同时，产品聚焦AI原生与多模态，与AI工作流更深度地整合，成为RAG（检索增强生成）的核心组件，并为图像、音频、视频等多模态数据提供统一的语义检索能力成为另一趋势。从产业角度来看，个人更倾向于通用数据库的技术路径，这主要是源于来自需求侧的发展趋势。从根植于数据载体的数据库本身出发，不断探索AI使用场景，通过扩展向量能力更有助于低成本地实现这一过程。本文后面也将定位国产通用数据库的向量能力进行说明。
2).向量数据库评估体系
向量数据库尚没有类似国家或行业标准的评估体系，能查到的是来自信通院的评测标准，其包含基本功能、运维管理、安全性 、兼容性、扩展性、高可用以及工具生态七大能力域共47个测试项，其中分为27个必选项和20个可选项。目前包括百度云、腾讯云、拓数派、浪潮海诺等公司产品通过此评测，从中可以看出基本为原生向量数据库。
我们再看看DeepSeek是怎么看待的向量评测标准的，其给出下面提示
- 性能是评估向量数据库最直观的维度，但需要综合看待多个指标。查询延迟（Latency）指完成一次查询所需的时间，尤其要关注P99延迟，这比平均延迟更能反映系统的稳定性。QPS则衡量系统在高并发下的处理能力。需要注意的是，这两个指标与召回率（Recall）密切相关，通常需要在三者之间进行权衡。评估数据插入性能时，不能只看单个写入请求的速度，更要关注从数据写入到可被检索的整体时间（包括索引构建时间）。这对于实时性要求高的应用（如实时推荐）至关重要。
- 可扩展性策从水平和垂直两个维度来看待，水平扩展（通过增加节点扩展集群）通常比垂直扩展（升级单节点硬件）具有更高的灵活性和上限，更适合数据量持续增长的场景。需要评估数据库在数据量从百万级增长到十亿级时，能否保持性能的平滑过渡。
- 功能特性方面，主要看是否支持多种索引算法（如HNSW, IVF），以适配不同的精度和性能需求，是否支持混合查询至关重要。
- 运维与开发方面，前者更关注于企业级功能，如多租户、权限控制、数据加密、监控告警和灾难恢复等能力；后者则希望有良好的开发体验能显著降低项目周期，评估其是否提供简洁的API、丰富的多语言SDK（如Python、Go、Java）、以及与主流AI框架（如LangChain、LlamaIndex）的开箱即成集成。
成本与生态角度，是否提供多种部署方式（全托管、自运维等），是否支持支持在传统数据库通过插件或升级来获得向量能力。后者的优势在于可以利用现有数据库体系和SQL技能，实现结构化数据与向量数据的统一查询。
如前文所讲，本文聚焦于通用数据库支持向量能力，而非专用向量库；因此参照上文的评估体系，这里没有将重点放在开发、运维能力层面，这些对于通用数据库来说已经大多具备。另一方面也没有将性能和扩展性作为要点，上述这些能力是需要真实评测才具有说服力。这里仅就向量自身的功能特性作为要点进行说明。此外，在收集信息的过程中发现，有些国产数据库产品外部宣传已经支持了向量，但大多还在原型阶段或文档还没有放出，没有更多详细信息因此未列入其中。从这方面也不难看出，国内数据库厂商就向量能力来看，还多处于探索阶段。特别说明下，之前也有文章介绍的VexDB，后续其全部能力将内嵌入海量数据库G100 V3.0版本中，因此也作为通用数据库产品列入说明。
向量嵌入（Vector Embeddings）是一种数据向量化的手段，指的是使用机器学习技术将各类非结构化数据（文本、图像和音频等）转化为固定长度的数字向量的过程，被广泛应用于多模态非结构化数据检索任务中。 相似性搜索，K 最近邻（K-Nearest Neighbor, KNN）算法和近似最近邻（Approximate Nearest Neighbor, ANN）算法是向量检索中常用的两种技术。KNN 优先考虑准确性，细致地识别“K”个最近邻居。ANN 注重速度和效率，查找近似查询点的最近邻居，无法保证得到一组精确的最佳匹配；但 ANN 能够在高准确性和更快性能之间取得平衡。 余弦相似度（cosine similarity）是衡量两个向量的角度差异，它反映了两个向量在方向上的相似度，与向量的长度（大小）无关。内积又称为点积或数量积，表示两个向量之间的一种乘积。在几何意义上，内积表示两个向量的方向关系和大小关系。
