近年来，AI技术呈现爆发式增长，推动着各行各业新一轮技术创新与革命，数据库领域也是如此。在此背景下，向量数据库也受到越来越多的关注。

向量数据库是指通过AI大模型技术，将文本、图像、音频等非结构化的多模态数据，转化为二维向量数组进行存储和检索，从而提升了多模态数据的查询和处理效率。

本文将探讨向量数据库的技术趋势与挑战，深度解析 OceanBase的向量能力，并展示其在金融、零售、通信等行业的实际应用案例。

一、向量数据库崛起：AI 与数据库融合的新趋势

与传统侧重精准查询的 TP 和 AP 数据库不同，向量数据库依靠向量距离算法执行模糊查询，常见的算法包括曼哈顿距离算法、欧氏距离算法及余弦距离算法等。这些算法通过计算向量间的距离，在数据库中近似地查找与目标向量相似的其他向量。

简单来说，向量数据库的运作流程是先利用深度学习模型或向量嵌入模型，将多模态数据转化成二维向量数组，然后将其写入数据库。当我们发起检索或查询请求时，数据库会依据待查询的向量，在海量数据中筛选出最为相似的 top1、top10、top50 等结果，并最终结合大语言模型或其他相关模型，给出我们所需的答案。

目前，向量数据库的发展呈现两大显著趋势。与此同时，也面临着相应的技术挑战。

趋势一：数据量爆发式增长，带来非结构化数据查找难题。

随着人工智能生成内容（AIGC）的兴起，企业业务的数据增速远超以往。非结构化数据增势迅猛且呈现出三个特点：数据体量大、数据格式多样、数据理解难度高。这三个特性给数据处理提出了新的挑战，它要求数据库必须具备强大的存储能力和大量的计算资源，并能够识别、理解各类数据格式，从而实现快速精准的查询。

趋势二：向量数据库正朝着通用数据库的方向发展，旨在帮助企业实现降本增效。

未来，向量数据库的主流会是纯向量数据库还是通用数据库？这是一个值得探讨的问题。从图 1 可以直观地看出，当前市面上的向量数据库种类繁多，企业如果单独选型一款向量数据库，一方面，由于引入全新的技术栈，员工需要花费大量时间和精力学习，才能掌握新技术栈的运维和使用技巧，增加企业的培训和人力成本。另一方面，不同类型的数据分散在多个数据库中，不利于数据的整合与协同利用。

因此，很多企业更倾向于选择通用数据库。具体而言，就是在一款通用数据库中融入向量处理能力，以满足多样化的业务需求。这样不仅可以降低学习成本，避免形成数据孤岛，实现用一个技术栈存储多模态数据，还支持融合查询场景，极大地提升数据处理和分析的效率。

图 1   市面上的向量数据库概览

二、OceanBase 的向量能力：从存储到查询的技术闭环

OceanBase 凭借其强大的分布式存储能力和并行处理能力，可从容应对海量非结构化数据的处理和查询挑战，并确保系统的高可用和数据一致性。在数据类型兼容方面，OceanBase 的架构不仅可以兼容 KV 文档及向量数据，还支持 JSON、GIS、Bitmap 等多种数据类型。企业可以将所有的多模数据集中整合至单一的 OceanBase 数据库中，避免因不同类型数据存储于不同数据库而产生的数据孤岛问题。

此外，OceanBase 与 Apache Flink、Apache Spark 等众多生态工具紧密协作，可以读取其他数据库、关系型数据库管理系统（RDBMS）以及外部文件等各类数据源的数据，并将所有数据进行统一整体计算。

OceanBase 基于原生分布式架构，通过在存储层加入 Vector 向量数据类型，并在索引层加入向量索引，使得 OceanBase 数据库具备向量检索能力，并且这一功能拓展未对内核层及相关工具体系的使用造成影响。其整体架构如图 2 所示：

图 2   OceanBase 向量检索能力整体架构

具体而言，OceanBase 的向量能力主要体现在以下多个关键层面：

• 丰富的索引类型支持：OceanBase 不仅支持向量索引，还支持标量索引、半结构化索引（如多值索引、空间索引），以及全文索引，并且支持同时访问多路索引，为复杂的数据检索需求提供了坚实保障。
• 便捷的应用集成：OceanBase 采用 SQL 访问的方式，可复用 MySQL 生态中各语言的客户端，极大降低开发人员的学习成本。同时，OceanBase 还支持类似 Milvus SDK 的 SDK，方便用户根据自身需求灵活选择开发工具。
• 全面的索引创建语法支持：OceanBase 支持的索引类型包括 HNSW、IVFFalt、DiskANN（on processing）等多种索引类型，满足不同场景下的数据索引需求。距离算法涵盖 L2、IP、COSINE、Jaccard ( on processing)等常用距离算法，确保在向量检索时能够精准计算相似度。
• 强大的向量查询功能：OceanBase 支持 TOP N 排序的相似度计算，能够快速筛选出与目标向量最相似的结果。同时支持向量和标量混合查询，可有效应对复杂业务场景中的多元数据查询需求。
• 简单的部署运维流程：向量功能紧密集成在数据库内核中，用户可以使用部署、运维、监控及数据迁移工具，简化运维工作流程，降低运维难度。
• 简洁易用的接口设计：用户可以通过标准 SQL 语言创建向量表并写入向量数据，使用标准 SQL 语法导入向量数据并进行 DML 操作，还可以直接在对应的向量字段上创建向量索引，并指定索引类型和距离算法，利用 SQL 直接查询，操作简便直观。Python 接口只需要导入 Python 包，即可通过 Python 接口完成创建表、写入数据以及进行 ANN 等方面的检索操作，为 Python 开发者提供便捷高效的开发途径。

在使用向量数据库的业务场景中，往往需要解决的问题不是单一的，而是需要融合多种能力解决整体问题。例如，当我们要求一款软件推荐距离 500 米内、人均消费 25 元以下、评价 4.5 分以上且不用排队的奶茶店时，这一简短的需求背后，涉及到地理位置查询，以及关系型、向量型数据的检索查询。如果在不同的数据库中分别查询不同类型的数据，需要先进行多次查询，再进行结果整合，过程繁琐且耗时，最终结果的准确性也难以保证。而由于 OceanBase 支持多种数据类型，可以直接进行融合查询，从而快速准确地呈现结果。

作为一款具备向量能力的通用数据库，OceanBase 为用户带来了显著的便利。用户无需替换原有数据库，仅需对现有数据库应用进行版本升级，即可轻松获得向量能力，这一举措极大地降低了替换成本和学习成本。此外，OceanBase 的数据压缩能力，能够有效帮助用户节省数据存储成本，进一步提升了产品的性价比。

总体而言，相较于常见的向量数据库存在的稳定性不足、上手门槛高、运维复杂、周边配套不完善等问题，OceanBase 在向量场景的应用中，展现出了以下优势：

• 上手简单：接口设计简单，支持一键部署，并且高度兼容 MySQL，无论是新手还是有经验的开发者，都能快速上手使用。
• 具备金融级数据库的稳定性：OceanBase 的系统稳定性和容灾能力在多年的大规模金融场景中得到充分验证，同时，OceanBase 拥有成熟的保障体系和完整的运维工具，为系统稳定运行提供全方位支持。
• 性能强劲：OceanBase 向量检索能力集成了索引算法库 VSAG，VSAG 算法库在 960 维的 GIST 数据集上表现出色，在 ANN-Benchmarks 测试中远超其他算法。
• 成本效益显著：OceanBase 的一体化架构有效避免了在多个数据库之间做融合查询时，因需要 Rerank 后返回复杂需求而产生的高额成本，同时节省了组件之间的 RPC 调用开销。其多租户能力能够大幅提升资源利用率，帮助用户降低总体成本。
• 运维管理简单：OceanBase 提供了一套完整的运维工具体系，包括数据迁移工具 OMS、开发者工具 ODC、运维管理工具

三、简单稳定、降本增效：OceanBase 向量能力落地场景

目前，OceanBase 的向量能力已成功落地多个企业客户，应用场景主要集中在智能推荐、多模态搜索（以图搜图）、检索增强生成（RAG）等领域。

中国联通: 向量引擎助力知识库升级，硬件成本下降 30%

中国联通软件研究院数据库平台服务数百到上千的内部用户，业务范围涵盖从应用开发到运维管理的各个环节。如此庞大且复杂的数据库应用场景，给运维开发人员带来了长期且严峻的挑战。

一方面，数据库种类繁多，且版本之间差异较大，对生产系统的稳定性要求极高；另一方面，测试环境与生产环境之间的差异严重影响了工作效率。此外，日常数据库运维和管理的工作负荷繁重，提升响应速度困难重重。

为了提升运维效率和内部敏捷性，中国联通软件研究院积极探索解决方案，尝试用 RAG 架构解决上述实际问题，并成功开发出数据库智能专家“ChatDBA”。“ChatDBA”通过结合数据库领域的专业知识和联通内部的运维数据，让开发人员和 DBA 可以直接使用自然语言，对数据库状态进行查询、排查故障或获取相关建议，减少了大量重复性工作，显著提升了工作效率。

在寻找一种能够统一支持关系型数据和向量数据的解决方案时，经过综合考量与评估，中国联通软件研究院选择了 OceanBase。引入 OceanBase 后，不仅简化了技术栈，硬件资源使用量减少了约 30%，在大幅降低成本的同时，业务性能也满足了各项需求。此外，系统稳定性显著提升，单点故障风险降低，为业务的可持续发展奠定了灵活可靠且具备高度扩展性的技术基础。

想要了解更多关于 OceanBase 在中国联通软件研究院的详细落地实践内容，欢迎阅读《检索增强生成 (RAG)：OceanBase 在联通软研院的落地实践》。

九机九讯云：向量检索助力 AI 导购升级购物体验显著提升

云南九机科技有限公司（简称“九机科技”）是中国最早涉足 O2O 电商领域的企业之一，自主研发了专为手机零售行业打造的系统服务 SaaS 云平台——九讯云，为零售商提供涵盖业务生态搭建、线上线下融合以及门店精细管理等全方位的数字化转型解决方案。

九机的线下门店始终将用户体验置于首位，店内陈列着款式、品牌、型号各异的海量手机。销售手机周边时，售货员在信息录入环节，由于手机壳等周边产品大部分是非标品且数量庞大，依靠肉眼比对极为耗时，张贴二维码标签的工作也极为繁重。当客户挑选产品后，售货员难以快速定位产品的 SKU 信息（如库存、价格等）。OceanBase 数据库将配件图片进行向量嵌入（Embedding）并存储（如图 3 所示），售货员只需扫描手机壳，便能快速获取手机壳信息，在线完成下单、自动减库存等一系列操作。这种以图搜图的方式，极大提高了售货员的工作效率，也提升了顾客的购物体验。

图 3  以图搜图处理过程

当各门店系统迁移至九讯云平台，需将原有系统的商品库存等信息导入九讯云系统的商品库存。然而，不同系统的商品命名差异显著，如 “苹果 15” 与 “iPhone 15”。传统的关键词匹配方式准确率低，匹配规则复杂，开发工作量巨大。九讯云调用大模型，基于 OceanBase 数据库的向量功能实现语义快速匹配（如图 4 所示），语义相似度搜索准确率提升至 90% 以上。这一举措使得商品能够快速入库，商品管理工作效率得到大幅提升。

图 4   NEO 商品匹配流程

在商品销售后端，客服、呼叫中心等部门每天需要应对消费者的各类问题。由于商品参数、活动等信息繁多，工作人员难以全部准确记忆，因此提升商品参数检索速度、加快客服响应速度至关重要。九讯云将商城手机参数等信息整理为问答形式，存入 OceanBase 向量数据库，构建便捷实用的商品问答系统（如图 5 所示），极大提高了在线客服系统与呼叫中心的工作效率，为客户带来更好的咨询体验。

图 5  商品问答系统工作流程

2025 年 2 月，九讯云正式启动全平台智能化升级改造。鉴于 OceanBase 具备海量数据存储与处理的高性能、原生多租户数据隔离能力、数据压缩能力、KV 多模能力以及向量技术等优势，九讯云决定基于 Dify 平台 + Deepseek - R1+OceanBase 数据库的向量能力，实施全平台智能化升级改造，力求达成降本增效、技术精简、AI 赋能等目标。

更多详细内容，欢迎阅读《手机零售行业的AI破局和成本突围之路：对话九讯云技术负责人李远军》。

慧视通：向量技术助力智能交通，提升司机运营效率

慧视通深耕智能交通领域，以车联网、云计算、AI 大数据处理、无线通信和北斗全球定位技术为核心，针对巡游/网约出租车、物流/两客一危、前装新能源、驾驶培训、汽车租赁、试乘试驾等行业提供符合客户需求的产品和解决方案，为客户创造价值。

巡游出租车业务中人、证、车紧密绑定，司机运营前必须进行身份验证，确认人、证一致后方可上岗。由于机动司机需临时调度，被分配到不同出租车上驾驶，而车辆智能终端设备通常未预先存储相应司机信息，以往需出租车公司通知后台监控中心客服人员，在后台手动绑定司机信息后再下发至终端，流程繁杂且耗费人力。

引入 OceanBase 数据库的向量能力后，借助其 TOP N 排序相似度计算和标量点查功能，通过人脸识别，后台即可自动匹配司机照片，快速助力机动司机通过设备终端的身份验证，迅速上线运营，大幅提升了机动司机的运营效率。

百宝箱：向量检索应用于多业务场景，加速搜索结果呈现

支付宝的业务场景中，向量应用广泛，百宝箱就是其中之一，它为用户提供智能搜索功能，例如用户查询 3000 米以内、评分 4.5 以上、人均消费 200 以内的潮汕牛肉火锅店，系统能迅速为用户返回符合要求的目标店铺。这背后正是向量检索技术在发挥作用，并极大地加速了搜索结果的生成。

四、写在最后

在技术发展的进程中，机遇总是与挑战并存。作为 AI 技术发展与融合浪潮中的参与者，OceanBase 将持续强化技术实力，致力于为用户打造更为便捷高效的应用体验，不断开拓向量能力的全新应用场景，挖掘其更大的潜力。