RAG与检索

第9课：向量数据库

📚 向量数据库概述

本课是LLM应用开发课程第9课，属于RAG与检索阶段。我们将深入学习向量数据库的核心概念、技术实现和实战应用。

🎯 核心要点

传统DB vs 向量DB
Chroma/Pinecone/Milvus对比
Chroma实战
语义搜索与过滤
VectorStore封装

📊 架构与技术全景

第9课: 向量数据库
├── 核心概念与原理
├── 技术实现与代码
├── 架构设计与最佳实践
├── 实战练习与验证
└── 成就解锁

🔍 传统DB vs 向量DB

传统DB vs 向量DB是向量数据库的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# 传统DB vs 向量DB 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: 传统DB vs 向量DB"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

✅ 验证通过：传统DB vs 向量DB的核心实现正确工作

🛠 Chroma/Pinecone/Milvus对比

Chroma/Pinecone/Milvus对比是向量数据库的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# Chroma/Pinecone/Milvus对比 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: Chroma/Pinecone/Milvus对比"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

✅ 验证通过：Chroma/Pinecone/Milvus对比的核心实现正确工作

️ Chroma实战

Chroma实战是向量数据库的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# Chroma实战 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: Chroma实战"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

✅ 验证通过：Chroma实战的核心实现正确工作

📐 语义搜索与过滤

语义搜索与过滤是向量数据库的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# 语义搜索与过滤 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: 语义搜索与过滤"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

✅ 验证通过：语义搜索与过滤的核心实现正确工作

💡 VectorStore封装

VectorStore封装是向量数据库的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# VectorStore封装 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: VectorStore封装"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

✅ 验证通过：VectorStore封装的核心实现正确工作

📊 技术对比与选型

方案	优势	劣势	适用场景
方案A 轻量级	简单直接上手快	扩展性有限	原型验证
方案B 标准级	功能完整生态好	复杂度中等	生产环境
方案C 企业级	高性能可扩展	成本较高	大规模应用

💡 最佳实践

在实际项目中，向量数据库需要根据具体需求灵活调整
从小规模验证开始，逐步扩展到生产环境
建立完善的评估体系，持续监控和优化
参考社区最佳实践，避免重复造轮子
关注传统DB vs 向量DB的最新进展和优化技巧

🏗️ 架构设计

┌──────────────────────────────────────┐
│  向量数据库架构
├──────────────────────────────────────┤
│  用户层: API / SDK / CLI
├──────────────────────────────────────┤
│  业务层: 传统DB vs 向量DB
├──────────────────────────────────────┤
│  数据层: 向量DB / 缓存 / 存储
├──────────────────────────────────────┤
│  基础层: LLM / 嵌入模型
└──────────────────────────────────────┘

⚠️ 常见陷阱

忽略传统DB vs 向量DB的边界条件，导致生产环境问题
过度优化单一指标，忽视整体系统平衡
缺少监控和告警，问题发现滞后
没有建立回滚机制，变更风险高

⚡ 性能考量

指标	目标值	优化手段
TTFT	< 500ms	缓存/模型选择/提示词精简
成功率	> 99%	重试机制/降级策略
成本	可控范围	语义缓存/模型路由/token控制
延迟P99	< 5s	流式输出/并行处理

🔗 与其他课程的关系

本课向量数据库建立在前面课程的基础上，同时为后续内容做铺垫。

前置知识：第8课「文本切分与嵌入」
后续应用：第10课「语义检索」
本课是RAG与检索阶段的关键一环

🏋️ 实战练习

构建向量数据库系统

# 向量数据库完整系统 核心实现 - RAG检索
from openai import OpenAI
import chromadb

client = OpenAI()

def rag_demo(query):
    """RAG演示: 向量数据库完整系统"""
    emb = client.embeddings.create(input=query, model='text-embedding-3-small')
    query_emb = emb.data[0].embedding
    chroma = chromadb.Client()
    collection = chroma.get_or_create_collection('demo')
    results = collection.query(query_embeddings=[query_emb], n_results=3)
    ctx = chr(10).join(results["documents"][0]) if results["documents"] else ""
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":f"基于:{ctx}\\n问题:{query}"}],
        temperature=0.3)
    return resp.choices[0].message.content

print("RAG演示完成")

进阶挑战

尝试将传统DB vs 向量DB与Chroma/Pinecone/Milvus对比结合，构建更完整的解决方案。

🏆 本课成就

🏅 向量数据库实践者

✅ 传统DB vs 向量DB
✅ Chroma/Pinecone/Milvus对比
✅ Chroma实战
✅ 语义搜索与过滤
✅ VectorStore封装

← 第8课 ≡ 目录第10课 →