我们在用图片搜索图片，或者语音搜索语音的时候，在数据库中存储和对比的并不是图片和语音片段，而是通过深度学习等算法提取出来的“特征”，一般是256/512个float数组，可以用数学中的向量来表示。
向量数据库就是用来存储，检索，分析向量的数据库。只所以称之为数据库，是因为它有下面几个特征：
a) 提供标准的访问接口，降低用户的使用门槛
b）提供高效的数据组织，检索和分析的能力。一般用户在存储和检索向量的同时，还需要管理结构化的数据，即支持传统数据库对结构化数据的管理能力。
举例介绍：
问：使用Embedding与仅仅在数据库上使用全文搜索有什么不同？
答：假设我的数据库里有一段文字 “老鼠在寻找食物”。用户输入了"'奶酪’”的查询。文本搜索根本无法识别这段话，它不包含任何重叠部分。但是通过Embedding，把两段文字都变成了向量，然后可以对这段文字进行相似性搜索。
因为“老鼠”和“奶酪”在某种程度上是相关的，所以尽管缺乏匹配的词，用户还是能够得到该段落的结果。
从技术角度来讲，向量数据库主要解决2个问题，一个是高效的检索，另一个是高效的分析。
1）检索通常就是图片检索图片，例如人脸检索，人体检索，和车辆检索，以及淘宝的商品图片检索，人脸支付。
2）城市应用的也比较多，例如人脸撞库，公安会把2个类似作案手法的案发现场周边的人像做对比，看哪些人同时在2个案发现场出现。
Milvus、Pinecone、Vespa、Weaviate、Vald、用于 Elasticsearch 和 OpenSearch 的 GSI APU 板、Qdrant
详细介绍：7个向量数据库对比：Milvus、Pinecone、Vespa、Weaviate、Vald、GSI 和 Qdrant
在自然语言处理和机器学习领域，"embeddings" 是指将单词、短语或文本转换成连续向量空间的过程。这个向量空间通常被称为嵌入空间（embedding space），而生成的向量则称为嵌入向量（embedding vector）或向量嵌入（vector embedding）。
嵌入向量可以捕获单词、短语或文本的语义信息，使得它们可以在数学上进行比较和计算。这种比较和计算在自然语言处理和机器学习中经常被用于各种任务，例如文本分类、语义搜索、词语相似性计算等。
在中文语境下，"embeddings" 通常被翻译为 "词向量" 或者 "向量表示"。这些翻译强调了嵌入向量的特点，即将词汇转换成向量，并表示为嵌入空间中的点。
Embedding 是一个浮点数向量（列表）。两个向量之间的距离用于测量它们之间的相关性。较小距离表示高相关性，较大距离表示低相关性。
示例请求：
curl https://api.openai.com/v1/embeddings \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -d '{"input": "Your text string goes here", "model":"text-embedding-ada-002"}'示例响应：
{ "data": [ { "embedding": [ -0.006929283495992422, -0.005336422007530928, ... -4.547132266452536e-05, -0.024047505110502243 ], "index": 0, "object": "embedding" } ], "model": "text-embedding-ada-002", "object": "list", "usage": { "prompt_tokens": 5, "total_tokens": 5 } }注意事项：GPT会根据字符串，生成一个1536维度的embedding数组（数组长度为1536）
Milvus 是一款全球领先的开源向量数据库，赋能 AI 应用和向量相似度搜索，加速非结构化数据检索。用户在任何部署环境中均可获得始终如一的用户体验。
Milvus 2.0 是一款云原生向量数据库，采用存储与计算分离的架构设计。该重构版本的所有组件均为无状态组件，极大地增强了系统弹性和灵活性。
1、建立向量数据库的collection（相当于数据库表）
2、创建collection的索引
4、导入数据调用openAi转换为向量浮点数据，把数据文本和向量浮点数据存入到collection中
5、加载collection到内存中，用于查询
6、用户查询调用openAi转换为向量浮点数据，根据向量浮点数据查询向量数据库得到数据文本
7、把用户的问题和从向量数据库的数据文本，编写一个prompt，交给GPT进行润色，并生成答案。
JPG