最近我了解了一种称为矢量搜索或语义搜索的新型搜索。这是一种搜索技术，它试图找到与用户搜索词的含义相匹配的文档，而不是像全文搜索 (FTS) 那样尝试匹配关键字。我看到了 Alex Garcia 的帖子，该帖子介绍了一个名为 sqlite-vss 的用于矢量搜索的新 SQLite 扩展。由于我的博客数据已经在我认为的 SQLite 数据库中，为什么不呢？计算嵌入需要一个名为句子转换器的 python 库。这可以用 pip 安装： 我使用可信赖的 sqlite-utils 将嵌入到我的数据库中添加到新列中。CLI 有一个 子命令，可用于在表的每一行上运行 python 函数并将结果写入不同的列。首先让我们在 列上运行嵌入： 接下来是 列，用于计算每个帖子正文的嵌入： 现在我们启用 sqlite-vss 扩展并使用它来构建索引。

矢量数据库是专门存储和检索向量嵌入的数据库，用来让 AI 系统按语义相似度查找信息。大语言模型、生成式应用和语义搜索会把文本、图片或其他内容转换成高维向量，这些向量包含概念、关系和上下文信息。传统数据库擅长精确匹配字符串、数字和字段，难以高效处理“意思相近”的查询；独立向量索引如 FAISS 能加速相似度搜索，却缺少完整的数据管理能力。矢量数据库把向量索引、原始内容引用、元数据过滤、插入更新、扩展、安全和备份放在一起。典型流程是先用嵌入模型把内容转成向量并写入数据库，查询时再把问题转成向量，寻找最接近的邻居，然后返回关联内容。底层常用近似最近邻搜索，通过随机投影、量化或图结构在速度和准确性之间取舍。它让 AI 获得可检索的长期记忆，而不必把所有知识塞进模型参数。