技术选型 on AI 观察

向量数据库怎么选？主流方案类型对比与选型清单

Mon, 21 Sep 2026 21:26:42 +0800

开始做 RAG 项目时，很多人第一个问题就是“用哪个向量数据库”。市场上的选择非常多，宣传口径也各不相同。实际上，对于大多数中小规模项目，向量数据库并不是决定成败的关键，选一个团队能运维好、满足过滤和权限需求的方案，比追求极致性能更重要。

向量数据库做什么

向量数据库负责存储文本、图片等内容的向量表示，并根据查询向量快速找出最相似的若干条记录。为了在海量数据中实现毫秒级检索，它们通常使用近似最近邻（ANN）索引，例如基于图结构的 HNSW 或基于聚类的 IVF 等算法，用少量精度损失换取大幅速度提升。

RAG 还是长上下文？两种方案的成本、效果与适用场景对比

Tue, 14 Jul 2026 11:53:23 +0800

随着大模型的上下文窗口扩展到数十万甚至百万 Token，一个问题被反复提起：既然模型能一次读完整个知识库，还有必要费力搭建 RAG 吗？ 答案取决于你的数据规模、使用频率和对准确性的要求。在大多数生产场景中，两者不是二选一，而是互相补充。

两种方案的基本思路

长上下文：把相关文档全部放进提示词，让模型自己阅读和寻找答案；
RAG：先根据问题检索出最相关的少量片段，只把这些片段交给模型。

逐项对比

成本

长上下文方案每次请求都要为全部文档付费。如果同一批文档被频繁查询，成本会迅速累积。部分服务商提供的提示缓存功能可以降低重复部分的费用，但并非所有场景都适用。RAG 每次只发送少量片段，单次成本低得多，代价是需要建设和维护检索系统。