向量数据库是如何工作的？

向量数据库和 Embedding 是当前 AI 领域的热门话题。

Pinecone 是一家向量数据库公司，刚刚以约 10 亿美元的估值筹集了 1 亿美元。

Shopify、Brex、Hubspot 等公司都在他们的 AI 应用程序中使用向量数据库和 Embedding。那么，它们究竟是什么，它们是如何工作的，以及为什么它们在 AI 中如此重要呢？让我们一探究竟。

我们先看第一个问题，什么是 Embedding？你可能在 Twitter 上已经看到这个词被无数次提及。

简单来说，Embedding 就是一个多维向量数组，由系列数字组成。它们能够代表任何东西，比如文本、音乐、视频等等。我们这里将主要关注文本。

创建 Embedding 的过程非常简单。这主要依靠 Embedding 模型（例如：OpenAI 的 Ada）。

你将你的文本发送给模型，模型会为你生成该数据的向量结果，这可以被存储并在之后使用。

Embedding 之所以重要，是因为它们赋予我们进行语义搜索的能力，也就是通过相似性进行搜索，比如通过文本的含义。

因此，在这个例子中，我们可以在一个向量空间上表示“男人”、“国王”、“女人”和“王后”，你可以非常容易地看到它们在向量空间之间的关系。

来看一个更直观的例子：

假设你是一个有一大箱玩具的小孩。现在，你想找出一些类似的玩具，比如一个玩具汽车和一个玩具巴士。它们都是交通工具，因此它们是相似的。

这就是所谓的 “语义相似性”—— 表示某种程度上事物具有相似的含义或想法。

现在假设你有两个相关联但并不完全相同的玩具，比如一个玩具汽车和一个玩具公路。它们并不完全相同，但因为汽车通常在公路上行驶，所以它们是相互关联的。 

那么，Embedding 为何如此重要呢？主要是由于大语言模型（LLM）存在上下文限制。在一个理想的世界中，我们可以在一个 LLM 提示中放入无限数量的词语。但是，正如许多人所知，目前我们还做不到。以 OpenAI 的 GPT 为例，它限制在大约在 4096 - 32k 个 token。

因此，由于其 “内存”（即我们可以填充到其 token 的词语的数量），我们与 LLM 的交互方式受到了严重限制。这就是为什么你不能将一个 PDF 文件复制粘贴到 ChatGPT 中并要求它进行总结的原因。（当然，现在由于有了 gpt4-32k，你可能可以做到这一点了）

那么，怎么把 Embedding 和 LLM 关联起来解决 token 长度限制的问题呢？实际上，我们可以利用 Embedding，只将相关的文本注入到 LLM 的上下文窗口中。

让我们来看一个具体的例子：

假设你有一个庞大的 PDF 文件，可能是一份国会听证会的记录（呵呵）。你有点懒，不想阅读整个文件，而且由于其页数众多，你无法复制粘贴整个内容。这就是一个 Embedding 的典型使用场景。

所以你将 PDF 的文本内容先分成块，然后借助 Embedding 将文本块变成向量数组，并将其存储在数据库中。

在存储分块的向量数组时，通常还需要把向量数组和文本块之间的关系一起存储，这样后面我们按照向量检索出相似的向量数组后，能找出对应的文本块，一个参考的数据结构类似于这样：

}

现在你提出一个问题：“他们对 xyz 说了什么”。我们先把问题“他们对 xyz 说了什么？”借助 Embedding 变成向量数组，比如[1,2,3]。

现在我们有两个向量：你的问题 [1,2,3] 和 PDF [1,2,3,34]，然后，我们利用相似性搜索，将问题向量与我们庞大的 PDF 向量进行比较。OpenAI 的 Embedding 推荐使用的是余弦相似度。

好了，现在我们有最相关的三个 Embedding 及其文本，我们现在可以利用这三个输出，并配合一些提示工程将其输入到 LLM 中。例如：

如果你不能回答，那么如实告诉用户“我无法回答这个问题”。

就这样，LLM 会从你的 PDF 中获取相关的文本部分，然后尝试如实回答你的问题。

这就简单的阐述了 Embedding 和 LLM 如何为任何形式的数据提供相当强大的类似聊天的能力。这也是所有那些“与你的网站/PDF/等等进行对话” 的功能如何工作的！

请注意 Embedding 并非 FINE-TUNING。

如喜欢本文，请点击右上角，把文章分享到朋友圈
如有想了解学习的技术点，请留言给若飞安排分享

因公众号更改推送规则，请点“在看”并加“星标”第一时间获取精彩技术分享

·END·

相关阅读：
一张图看懂微服务架构路线
基于Spring Cloud的微服务架构分析
微服务等于Spring Cloud？了解微服务架构和框架
如何构建基于 DDD 领域驱动的微服务？
小团队真的适合引入SpringCloud微服务吗？
DDD兴起的原因以及与微服务的关系
微服务之间的最佳调用方式
微服务架构设计总结实践
基于 Kubernetes 的微服务项目设计与实现
微服务架构-设计总结
为什么微服务一定要有网关？
主流微服务全链路监控系统之战
微服务架构实施原理详解
微服务的简介和技术栈
微服务场景下的数据一致性解决方案
设计一个容错的微服务架构