文字 → 一串数字
Embedding 模型把一句话编码成一串数字。数字本身不重要，重要的是：意思接近，坐标就接近。
向量的结构就是一个数字数组，编程里长这样：[0.85, 0.90, 0.10, ...]，方括号括起来、逗号分隔。这些数字不是随机生成的——是 Embedding 模型读完"国王"这个词后算出来的。每个位置叫一个维度，真实模型通常 768 或 1024 维（这里简化为 8 维演示）。
文字怎么变向量
不是魔法，是一个叫 Embedding 的模型。把文字喂进去，它吐出一串固定长度的数字。
关键事实：文档和问题必须用同一个模型，否则坐标体系不同，没法比距离。换模型 = 全量重灌库。L2 归一化后，cosine 等于内积，检索可以用更快的内积算子。
检索 = 找最近的点
问题也先变成向量，再从所有文档块里找距离最近的几个。移动鼠标，让橙色的“问题”去找答案。
向量存哪里
三个东西是独立的：pgvector 是 PostgreSQL 插件，Chroma 是独立轻量库，Milvus 是独立分布式库。
pgvector = PostgreSQL + 向量插件
向量就是表里一列。事务、join、备份全是现成的。百万级以内 + 需要混合过滤，运维成本最低。
专用分布式向量库
独立分布式服务，etcd 管元数据、MinIO 存数据。上亿级、高 QPS 场景。一致性可设 Strong / Bounded，代价是延迟。
为什么是 PostgreSQL，不是 MySQL？
同样是关系型数据库，为什么向量检索生态先在 PG 上成熟？答案在扩展架构。
PostgreSQL 的扩展接口允许第三方注册新数据类型、新操作符、甚至新索引方法。pgvector 就是通过这个接口把 vector 类型和 HNSW 索引插进 PG，不用改 PG 源码。
PostgreSQL ✅
插件可注册新索引方法
HNSW/IVFFlat 通过插件接入
已有 PG → 一条 CREATE EXTENSION 搞定
MySQL / Oracle ❌
插件层不能注册新索引方法
MySQL 9.0 加了 VECTOR 类型但还没有向量索引
Oracle 没有向量索引插件
要改源码才行，社区没跟上
选型结论：已有 PostgreSQL → 加 pgvector 插件；只有 MySQL → 上 Chroma 或 Milvus 做独立向量服务。
先找资料，再回答
RAG 就是：把最相关的资料塞进提示词，让模型“照着资料答”。点击步骤，也可以等它自动播放。
猫是可爱的动物，常被当作宠物。
狗是人类的朋友，也是常见宠物。
汽车需要加油，跑得很快。
火车在铁轨上跑，能拉很多人。
问题：哪些是宠物？
资料：猫是宠物；狗是常见宠物。
回答：猫和狗都是常见的宠物。一句话总结 + 调优
选型三问
Q1 模型能调参吗？ 不能。模型是别人训好的，你只能选型：拿真实语料各跑一遍，比 recall@5，选分数高的。
Q2 换模型会怎样？ 全库重灌——不同模型向量空间不同，距离没法比，所以文档和查询必须用同一个模型。
Q3 工程上怎么调优？ 下面三个手段 ↓
查询时加指令
bge 系列要求查询侧加一段前缀指令，文档侧不加。不加前缀 → 多好几个点召回。只有部分模型需要（bge 系列要，OpenAI 不需要），用之前看文档。
让两个向量同量级
向量是一串数字，长度可能不一样大。归一化 = 把每个向量缩成统一长度（长度 = 1）。归一化后，cosine 距离 = 内积，可以用更快的内积算子 <#> 替代 <=>，检索更快。多数现代模型已经内置归一化。
检索取几个结果
k = 检索时取距离最近的几个文档块。k 太小（如 3）→ 可能漏掉正确答案。k 太大（如 50）→ 带回大量噪音，模型被干扰。从 5 开始调，看 recall（召回率）和 precision（精确率）的拐点。