向量数据库对比：Pinecone、Chroma、Weaviate 的架构与适用场景

向量数据库存储 Embedding，也就是文本、图像或音频的数值表示，并在查询时检索语义上最接近的结果。RAG 系统正是基于这一机制运作。本文对比三个主流方案，每个都附有 Python 代码，均来自实际在生产环境中使用三者的经验。

三种选择：Pinecone 用于生产级规模，Chroma 用于本地原型开发，Weaviate 用于混合搜索。

向量数据库究竟做了什么

对一段文本做 Embedding得到的是一个向量，比如说一个由 768 或 1,536 个数字组成的数组，代表该文本的语义含义。相似的文本产生相似的向量。向量数据库将这些向量存储下来并建立索引，以支持快速最近邻搜索。

用户提出问题时，先将问题做 Embedding再向向量数据库发起查询："哪些已存储的向量与之最接近？"数据库返回语义上最相似的文本片段，随后将这些片段注入 LLM 的上下文。

检索环节的好坏直接决定 RAG 系统整体的表现，这一步出了偏差再好的 LLM 也只会给出自信却错误的回答。

 

https://avoid.overfit.cn/post/fb7124d85fa4459faac031a5fba770f2