向量数据库的优势
| 数据库类型 | 适用场景 | 典型数据库举例 |
| 关系型数据库（RDBMS） | 处理结构化数据，擅长OLTP，如财务、人事管理等。 | MySQL，Oracle，SQL Server |
| 非关系型数据库（NoSQL） | 存储大量非结构化或半结构化数据，擅长点查，如大数据分析、人工智能等。 | MongoDB，Redis，Cassandra |
| 对象数据库 | 数据存储结构比较复杂的应用场景 | Versant Object Database，ObjectStore，ZopeDB |
| 列式数据库 | 需要快速进行按列查询的应用场景，擅长OLTP查询，如数据仓库。 | HBase，Cassandra，Amazon DynamoDB |
| 图形数据库 | 存储和处理大型图形数据，一般使用GraphQL如社交网络、物联网等场景。 | Neo4j，ArangoDB，JanusGraph |
| 向量数据库 | 快速处理向量数据的应用场景，擅长算法聚类等，如图像识别、音频处理、自然语言处理等 | Milvus，Faiss，Hive-Vector-Storage |
| 全文搜索引擎（search db） | 处理全文搜索和日志存储等应用场景 | Elasticsearch，Apache Solr，Sphinx |
在 db engines rank中，向量数据在最近一段时间得到很强的关注和发展。
向量数据库横向对比
Milvus、Pinecone、Vespa、Weaviate、Vald、GSI 和 Qdrant
- 价值主张。让整个向量搜索引擎脱颖而出的独特之处是什么？
- 类型。该引擎的通用类型：向量数据库、大数据平台。托管/自托管。
- 架构。高级系统架构，包括分片、插件、可扩展性、硬件细节（如果可用）等方面。
- 算法。这个搜索引擎采用了什么算法来进行相似度/向量搜索，它提供了哪些独特的功能？
- 代码：它是开源的还是闭源的？
| 类型 | 代码 | 算法 | |
| Milvus | 自托管 | 开源 | 允许多个基于 ANN 算法的索引：FAISS、ANNOY、HNSW、RNSG。 |
| Pinecone | 托管 | 闭源 | 由 FAISS 提供支持的 Exact KNN；ANN 由专有算法提供支持。支持所有主要距离度量：余弦（默认）、点积和欧几里得。 |
| Vespa | 托管/自托管 | 开源 | HNSW（针对实时CRUD和元数据过滤进行了修改）；一套重新排序和密集检索方法。 |
| Weaviate | 托管/自托管 | 开源 | 自定义实现的 HNSW，调整到规模，并支持完整的 CRUD。只要能做CRUD ，系统就支持插件ANN算法。 |
| Vald | 自托管 | 开源 | 基于最快算法：NGT，比很多强算法，如Scann和HNSW都要快。 |
| GSI | ES OS的向量搜索硬件后端 | 闭源 | 保持神经散列的汉明空间局部性。 |
| Qdrant | 托管/自托管 | 开源 | Rust 中的自定义HNSW 实现。 |
向量数据库依赖算法的优劣势
| 算法名称 | 算法优势 | 算法劣势 | 复杂度分析 |
| Exact KNN | 精确性高，可以保证正确性 | 对大型数据集的搜索较慢 | 搜索复杂度为O(N log N)，其中N是数据库中向量的数量。对于高维数据和大量数据，复杂度可能会比较高 |
| LSH | 可以在大型数据集中实现快速近似KNN搜索 | 近似性较差，可能会导致搜索结果不够准确 | 查询复杂度主要是哈希函数的计算复杂度和哈希表的遍历复杂度，一般时间复杂度达到O(N^p)，其中N是数据库中向量的数量。 |
| Scann | 快速和可扩展，特别适合大量高维向量的搜索 | 相比于精确KNN和其他近似KNN算法，精度可能会有所降低 | 预处理时间复杂度为O(N * D)，其中N是数据库中向量的数量，D是向量的维度；查询复杂度为O(log N)。 |
| KD树 | 计算快速，适合高维度空间的KNN搜索 | 对于包含稀疏数据的向量，性能可能会受到影响 | 预处理时间复杂度为O(N * log N)，其中N是数据库中向量的数量；查询复杂度为O(log N)。 |
| HNSW | 可以在大型高维数据集中实现快速近似KNN搜索，且精度较高 | 查询速度较慢（不如LSH和SCANN） | 构建时间复杂度为O(N * log N)，其中N是数据库中向量的数量；查询复杂度为O(log N)。 |
| RNSG | 较快的最近邻搜索速度，且搜索结果较为准确 | 不适用于非欧几里得空间 | 时间复杂度主要是与K（最近邻数目）、N（向量数目）和D（向量空间维数）相关，因此时间复杂度能够低至O(log N)。 |
向量数据库分析
milvus
架构实现：Milvus 实现了四层：接入层、协调服务、工作节点和存储。这些层是独立的，以实现更好的可扩展性和灾难恢复。
产品优势：
- 支持私有化部署
- 多版本：单机版（standalone）、集群版（cluster），支持部署在CPU和GPU上，弹性可扩展。
- 易运维：采用云原生架构，使用docker和k8s能够快速安装和运维。
- 实现场景多：能快速实现图搜图、语音搜索语音、文搜文。
参考资料
链接
- 7个向量数据库对比：Milvus、Pinecone、Vespa、Weaviate、Vald、GSI 和 Qdrant - 墨天轮
- 强大的向量数据库：Milvus - 知乎
- Installation · milvus-io/milvus Wiki · GitHub
- B站
