用 Python 实现一个简易的向量数据库

理解向量数据库原理的最好方式，就是自己动手实现一个。

核心概念

向量数据库的本质：存储高维向量，支持相似度搜索。关键操作就两个——插入和查询。

最简实现

import numpy as np
from dataclasses import dataclass

@dataclass
class VectorDB:
    vectors: list = None
    metadata: list = None
    
    def __post_init__(self):
        self.vectors = []
        self.metadata = []
    
    def insert(self, vector, meta=None):
        self.vectors.append(np.array(vector))
        self.metadata.append(meta)
        return len(self.vectors) - 1
    
    def cosine_similarity(self, a, b):
        return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
    
    def search(self, query_vector, top_k=5):
        query = np.array(query_vector)
        scores = []
        for i, vec in enumerate(self.vectors):
            sim = self.cosine_similarity(query, vec)
            scores.append((i, sim, self.metadata[i]))
        scores.sort(key=lambda x: x[1], reverse=True)
        return scores[:top_k]

# 使用示例
db = VectorDB()
db.insert([1.0, 0.5, 0.3], {"text": "Python 教程"})
db.insert([0.9, 0.6, 0.2], {"text": "机器学习入门"})
db.insert([0.1, 0.8, 0.9], {"text": "前端开发"})

results = db.search([1.0, 0.5, 0.3], top_k=2)
for idx, score, meta in results:
    print(f"Score: {score:.4f} | {meta}")

优化方向

1. 用 IVF（倒排文件索引）加速搜索
2. 用 PQ（乘积量化）压缩存储
3. 用 HNSW 图索引实现近似最近邻

生产级方案

自己实现适合学习，生产环境推荐：Milvus、Qdrant、Weaviate、Pinecone。

理解了底层原理，用这些工具时你会更清楚每个参数的含义。