向量搜尋Vector Search
向量搜尋是把查詢與資料都轉成數字向量,再比較向量的距離,找出意思最接近的內容,不需要字面完全相同。
- 英文
- Vector Search
- 台灣常見別名
- 向量搜尋、向量檢索、Vector Search
- 簡中用語
- 向量搜索、向量检索
- 類別
- AI搜尋與GEO
- 提出者與年份
- 資訊檢索通用方法,沒有單一提出者;近似最近鄰的 HNSW 演算法由 Malkov 與 Yashunin 於 2016 年發表
- 官方文件
- Vector search overview(Microsoft Learn);Faiss 的 MetricType and distances
向量搜尋是什麼?
向量搜尋是先用嵌入模型把文字、圖片轉成一長串數字,這串數字叫向量,可以想成這段內容的意思在空間裡的座標。意思相近的內容,座標也會靠近。搜尋時,查詢也會被轉成向量,系統再找出座標最近的資料,所以字面不同也能找到。它和比對字面的關鍵字搜尋是兩種不同的做法。
它發生在 AI 搜尋與 RAG 的檢索階段,是取得候選內容的方式之一。Patrick Lewis 等人的 RAG 論文就是用維基百科的向量索引,替語言模型找出相關段落。
舉例
有人輸入「鍋底煮焦黑掉」,說明文件的標題是「不鏽鋼鍋焦垢清理」,兩邊的字面幾乎沒有重疊,向量搜尋仍可能把這篇找出來。反過來,如果有人要找的是少見的鍋具型號,向量只比概念接近,可能回傳別款鍋子,這種情況要靠精確的關鍵字比對。
向量搜尋怎麼運作
建立索引
用嵌入模型把每份文件或段落轉成向量,連同原文與可篩選的欄位一起存進索引。
轉換查詢
用同一個嵌入模型把使用者的查詢也轉成向量,兩邊必須用相容的模型,維度才對得上。
找出最接近的資料
用餘弦相似度、內積等方式計算距離,找出最接近的資料。資料量大時不會逐筆比對,而是用近似最近鄰(ANN)演算法,例如 Yu. A. Malkov 與 D. A. Yashunin 在 2016 年發表的 HNSW,用分層的圖結構從稀疏的上層往下找,換取速度,代價是可能漏掉少數結果。
取回原文並篩選
用識別碼取回原始內容,需要時再套用篩選條件或重排,最後呈現給使用者,或交給模型生成答案。
哪些產品在用。Microsoft 的 Azure AI Search 把向量索引與關鍵字搜尋放在同一個服務,也支援兩者並用的混合搜尋。Meta 的 Faiss 是常見的開源向量搜尋函式庫。官方文件可看 Microsoft Learn 的《Vector search overview》與 Faiss 的說明。
為什麼重要
向量搜尋讓字面不同的內容也有機會被找到,也能用在圖片等其他內容類型。需要精確的版本、日期、地址或產品編號時,仍然要併用篩選與關鍵字搜尋,所以多數系統採用混合搜尋,而不是只靠向量。
對網站經營者來說,這表示用不同說法描述同一件事的頁面,仍可能被 AI 搜尋的檢索階段找到,但型號、價格與日期這類精確資訊要寫清楚。這是本站的判讀,Google 沒有公開說明自己的排名是否使用向量搜尋。
怎麼檢查
- 確認索引和查詢使用同一個嵌入模型版本,向量維度與距離計算方式一致。
- 測試幾種查詢:同義說法、精確型號、否定句,以及非常相近但結論相反的案例。
- 人工檢查分數很高卻不相關的結果,以及應該出現卻漏掉的結果,判斷需不需要加上關鍵字比對或重排。
- 如果網站有站內搜尋,再比較只用關鍵字與加上向量後的結果,看使用者常搜的詞有沒有變好。
常見誤解
向量越接近,內容的事實就一定相同。
向量反映的是主題相似,仍可能講反面或指不同版本。
所有向量資料庫的相似度分數都可以互相比較。
距離度量、向量縮放與演算法實作不同,分數不能跨系統比較。
有了向量搜尋就不需要關鍵字搜尋。
精確型號與日期仍要靠字面比對,所以常見做法是兩者並用。
常見問題
向量搜尋和關鍵字搜尋差在哪?
關鍵字搜尋比對字面,查詢的字沒出現在文件裡就找不到;向量搜尋比對意思,字面不同也找得到。代價是對精確型號、日期這類資訊比較不準,所以兩者常並用。
向量搜尋會影響我的網站排名嗎?
Google 沒有公開說明排名是否使用向量搜尋。能確定的是,許多 AI 搜尋與 RAG 系統用它找資料,所以段落把主題與條件寫完整,被找到的機會比較大,這是本站的判讀。
向量搜尋和語意搜尋是同一件事嗎?
接近但不完全相同。語意搜尋是目標,也就是依意思找資料;向量搜尋是常見的做法,把文字轉成向量再比對距離。向量搜尋也能用在圖片與商品推薦,不限於文字。
常見的向量搜尋工具有哪些?
常見的有 FAISS 這類函式庫、PostgreSQL 的 pgvector 擴充、Elasticsearch 與 OpenSearch 的向量搜尋功能,以及 Pinecone 這類託管服務。選擇時要看資料量、更新頻率、團隊熟悉的技術與既有的環境。