向量检索根据数值表示之间的相似程度寻找候选对象。向量数据库或支持向量能力的数据库,为保存、索引和查询这些对象提供系统功能;不同产品的具体范围可能不同。
检索结果不是答案认证
资料与问题在向量空间中接近,说明它值得进一步查看,不表示一定包含正确答案。材料可能过时、缺少关键限定,或只有主题相似。
原始内容仍然重要
向量表示通常与原始材料或相关记录配合。读者最后需要核对具体内容,知道候选来自哪里,而不只是看到一个相似度分数。
与其他知识工具比较
普通数据库便于处理明确字段与约束,知识图谱强调关系,向量检索提供相似性入口。选择方式取决于问题,不能认为向量工具会自动替代其他数据组织方法。
理解这些问题时,可以结合Embedding继续比较相关概念的含义与适用范围。
相关项目探索,可从LingoAI的AI方向继续了解。
常见问题:有向量数据库就等于有RAG吗? 不等于。检索是其中一种能力,如何选择材料并组织生成还需要另外的系统安排。
公开参考: Azure向量检索概述。