向量数据库（Vector Database）是面向嵌入向量的存储、索引与检索系统，擅长回答“哪些向量与查询最相近”，常用于语义检索、推荐、去重和多模态搜索，也是检索增强生成（RAG）应用的常见基础组件。它与传统数据库不是非此即彼的关系：一些关系型数据库和搜索引擎也已支持向量类型、相似度查询或向量索引。

这一领域并非凭空出现：基于嵌入的检索已有长期研究基础，相似度搜索的历史更早，早期系统常把向量索引集成到关系数据库或搜索系统中。Zilliz 团队于 2021 年在 SIGMOD 论文《Milvus: A Purpose-Built Vector Data Management System》中介绍了面向向量数据管理的系统设计。2023 年的综述《Survey of Vector Database Management Systems》梳理了这一品类，并指出当时已有 20 多个商业向量数据库系统；这不表示这些系统都是在 2021 年之后出现的。

不过，无论是 2019 年开源的 Milvus，还是后来涌现的众多同类系统，都要面对一组共同的技术难题。这类系统要跨越五道坎：语义相似度的模糊性、向量体积大、相似度计算昂贵、缺乏天然分区，以及“属性条件 + 向量相似度”的混合查询。对应的工程手段包括用量化压缩降低存储与计算开销、用图索引（如 HNSW）加速近邻查找、用查询优化与执行引擎处理过滤和聚合；在大规模场景中，系统常采用近似最近邻（ANN）索引，在召回率与延迟之间取舍；但向量检索也可以使用精确搜索，因此“向量索引必然近似”并不准确。2023 年，Pan、Wang 与 Li 的综述《Survey of Vector Database Management Systems》对这一品类做了系统梳理。正是这些工程积累，把"语义"从模糊的概念变成了可索引、可扩展的基础设施。