向量库是 RAG 的"记忆中枢"。本文讲清选型与工程要点，避免常见性能坑。
为什么需要向量库
文本被 embedding 为高维向量后，需用近似最近邻（ANN）检索快速找到相似片段。关系型数据库做不了高效向量检索。
选型维度
- 规模：百万级以内可选轻量方案；亿级需分布式。
- 部署：是否支持私有化、容器化。
- 混合检索：向量 + 关键词（BM25）混合往往优于纯向量。
- 元数据过滤：按部门、时间过滤是刚需。
工程要点
- 统一 embedding 模型：全库一致，否则向量不可比。
- 混合检索 + 重排：召回广、排序准。
- 索引参数调优：根据数据量调整 efSearch / nprobe。
- 增量更新：新文档增量入库，避免全量重建。
常见问题
向量库一定要上云吗？
不必。金融等场景应私有化部署，数据不出网。
向量检索慢怎么办？
检查索引类型与参数，叠加元数据预过滤缩小候选集。