一、什么是文本向量

文本向量（句子 Embedding）：一段自然语言文本，经过 BGE/E5/BERT 等编码器，压缩成一串固定长度浮点数组，用空间坐标代表文本语义。

• 一句话 → 1 条一维浮点向量：[0.12,-0.35,0.78……]（常见 768 维、1024 维）
• 语义相近 → 向量在高维空间距离近、余弦相似度高；语义无关→距离远。

区别：Word2Vec 是单个字词静态向量；BGE/BERT 是整段文本动态语义向量（RAG 主流）。

二、向量数据库内部：存储格式、存储内容

向量库一条数据 =主键 ID + 标量元数据 + 文本向量（稠密浮点数组）

1、存储格式（逻辑结构）

plaintext

{ id: 字符串/数字主键（唯一标识） metadata: {标签、分类、原文标题、创建时间} 【标量字段，和MySQL字段一致】 embedding: [d个浮点数] 【文本向量，核心检索字段】 }

示例（3 维简化，真实 768/1024 维）

表格

2、存储内容拆分

1. 主键 ID：唯一编号，用来关联 MySQL 原始全文；
2. 元数据 metadata：字符串、数字、日期等结构化信息，用于过滤筛选（等价 MySQL 普通字段）；
3. 文本向量 embedding：由 BGE/E5 生成的稠密浮点数数组，只用来相似度检索，不存储原始文字。

工业规范：完整原文保存在 MySQL，向量库只存 ID + 向量 + 分类标签。

三、文本向量在向量库的四大常用操作 + 返回值（增、删、改、查）

1. 新增（insert/add）

功能

文本→Embedding 模型生成向量 → ID + 元数据 + 向量批量入库。

入参：ids、metadatas、embeddings

python

运行

coll.add( ids=["1","2"], metadatas=[{"type":"数据库"},{"type":"数据库"}], embeddings=[[0.52,0.33,-0.21],[0.55,0.30,-0.19]] )

返回值：无（成功空返回，异常报错）

2. 删除（delete）

两种删除方式：

1. 根据主键 ID 精准删除；
2. 根据 metadata 条件批量过滤删除。

python

运行

coll.delete(ids=["1"]) coll.delete(where={"type":"水果"})

返回值：空 / 删除成功标识

3. 更新（update）

无法修改向量里单个小数，只能整条覆盖替换新向量 / 新元数据

python

运行

coll.update(ids=["1"],embeddings=[[0.53,0.32,-0.20]])

返回值：无

4. 查询（query，最核心：语义相似检索）

入参

query_embeddings（用户问题生成的文本向量）、n_results（返回 topN）、where（标量过滤条件）、include（指定返回内容）

底层逻辑

输入问句向量 → ANN 索引（HNSW/IVF）计算库内向量相似度 → 筛选最相近 N 条。

三种返回形式（重点）

1）include=[]：默认底层返回 → ids + distances (相似度 / 距离)

json

{"ids":[["1","2"]],"distances":[[0.01,0.03]]}

❌ 无原文、无向量

2）include=["metadatas"]：附带返回标签信息

多出 metadatas 字段，拿到分类、备注等文本信息

3）include=["embeddings"]：附带返回库里存储的原始文本向量

带出浮点数组[[0.52,0.33,-0.21],[0.55,0.30,-0.19]]

混合查询示例（先过滤再向量检索）

python

运行

coll.query( query_embeddings=[[0.52,0.33,-0.21]], n_results=2, where={"type":"数据库"}, include=["metadatas"] )

四、完整 RAG 链路串联（文本向量全流程）

1. 文档文本 → BGE 模型 →文本向量；
2. ID + 标签 + 向量存入向量数据库，原文存入 MySQL；
3. 用户提问 → 提问转向量 → 向量库查询 →获取相似文档 ID；
4. 使用 ID 去 MySQL 查询真实原文，拼接大模型 prompt。

五、精简考点总结

1. 文本向量 = 文本映射的固定长度浮点数组，代表语义；
2. 向量库存：ID + 标量元数据 + 浮点向量，原文不在向量库；
3. 查询底层只返回 ID + 相似度，原文 / 向量需要手动配置参数才返回。