向量数据库，为什么是大模型的最佳拍档？

文｜郝鑫

编｜刘雨琦、王一粟

在决定做向量数据库之前，腾讯云也纠结过。

“是选择走RAG（检索增强生成）技术路线，还是做向量数据库”，“向量数据库会不会被大模型所替代”，“向量数据库究竟有没有未来”……

4月份，就连OpenAI也没有做出选择，同时在RAG和向量数据库两个方向进行探索。

一个多月深入行业调研过后，腾讯云发现，从向量化到部署，企业在构建向量数据库过程中困难重重。

大模型公司百川智能相关负责人表示，在没有向量数据库之前，我们用的是一些开源工具。比如向量索引，它作为内核是可以用的，但是一旦当数据量到达一定规模后，牵扯到分布式数据、分布式系统的问题，就会遇到瓶颈。

“做！市场有需求，集团内部有诉求，为什么不做？”，腾讯云向量数据库产品负责人邹鹏给出了肯定的建议。

5月立项，8月正式上云提供服务，11月功能升级，腾讯云向量数据库行驶在了快车道上。

技术无好坏，只有路径选择之分，能不能真正用起来还得等待市场的检验。但现在，更为重要的是，站在分岔路口，有没有坚定落子的勇气。

大模型时代，云厂商不仅仅是MaaS服务的提供商，更是基础设施的构建者。

要想让大模型真正用起来，仅有算法、算力还远远不够，必须有高效、低成本的数据使用方法。

“AGI时代，也需要智能化的数据调度范式，向量数据库就是数据的中枢”，腾讯云数据库副总经理罗云道。

但要成为一个坚实的底座，并不容易。国产大模型飞奔了一年，仍然以修炼内功为主。

大模型应用到现在不能完全落地，一个重要的原因是，大模型能力虽然已经获得了突飞猛进的增长，但关于数据的技术还停留在原地。

而这种滞后和空缺，对国内厂商来说也是巨大的机会。无论从大模型的行业应用，还是未来Agent构建与落地都在倒逼着数据技术的进一步升级和产品化落地。

向量数据库，大模型的“最佳拍档”

“记忆、幻觉、新鲜度和数据安全”，大模型在实际落地的时候，还存在着四大主要问题。

要想解决这四大问题，需要数据的优化与模型精调一起进行，这时候，海量的数据如何存储？如何调取？就成为一大难题。

罗云认为，“计算和存储一定是分开的。大模型是计算引擎，改变的是计算方式，存储需要其他产品来做，我们认为是向量数据库”。

这好比大模型是计算器，向量数据库是账本，一个会计先拿计算器算账，再拿账本誊抄记录。

向量数据库+大模型，两者就是“最佳拍档”。

向量数据库本身就是大模型的“外脑”，大模型有上下文token的限制，虽然擅长推理和内容生成，但是缺乏长期的记忆能力。外接向量数据后，大模型就有了记忆，能够记住用户对话的历史内容，还能越过多轮对话进行分析、推理。

在大模型存在“幻觉”上几乎已经达成了共识，尽管大模型通过预训练积累了大量的知识，但还远远不够，面对一些细分领域的问题仍然严重不足。有了向量数据，大模型就能瞬间被灌输各种专业知识，划定问题答案的范围。

大模型对数据的更新速度也相当滞后，GPT-4 Turbo也只更新到了2023年4月，而有了向量数据库，大模型就联上了网，可以随时更新动态。

数据安全是企业最看重的事情，对企业来说，根本无法放心把核心的经营数据、合同文件等机密上传到大模型上。但是，通过向量数据库的方式，企业就可以完成本地化部署，大模型仅发挥分析处理的功能，而不会上传、备份数据。

解决大模型问题的方法有很多，除了外挂向量数据库，还存在大模型微调、使用RAG技术等做法。

大模型微调方式好比供一个孩子从小学念到大学甚至研究生；向量数据库就像开卷考试，大模型完全不需要学习理解，只要能写出答案就行；RAG则是更往下落地的场景，需要结合向量数据库才能发挥作用。

其中差别，高下立见，比起大模型微调、RAG，向量数据库显然速度更快，成本也更低。

更进一步来看，基于大模型底层能力去打造AI原生应用和构建AI Agent，同样离不开向量数据库。

正如销售易所言：“有了向量数据库，就等于先把企业的数据库、支持文档存在向量数据库里做优先预处理，解锁完成后再和大模型结合回答用户的问题。在这个基础下，企业的应用才能做出，相当于向量数据库是企业级应用数据的根基。”

向量数据库如何走向产品化？

向量数据库并不是一个新鲜事，但问题在于，如何把海量非结构化的数据，让大模型真正用起来？

向量数据库有两层含义，首先是“向量”，其次是“数据库”。

罗云认为，“向量”是AGI时代的“中间数据格式”，“通过向量可以抹平不同数据格式之间的差异，既可以把图片、视频转换成向量，也可以把历史积累的数据利用起来，在AGI时代怎么快速识别信息、数据，也要靠向量”。

如果说向量是中间过程，那么数据库才是归宿，有了存储、调用数据的地方才能用起来。

“大模型+向量数据库”的运作过程是这样的：先把长文档进行拆分，各个片段进行向量化，作为储备知识存储在向量数据库中；当用户发生提问，提问内容又会二次向量化，在向量数据库中进行相似性检索，找到答案后，再由大模型输出文本。这过程中存在最大的难点就是，如何减少信息的损耗，以及提升召回率。

罗马不是一天建成的，向量数据库也是，现在腾讯云向量数据库经历了底座建立-内部搜推广业务应用-产品上云开放-迭代升级几个阶段。

据邹鹏介绍，腾讯云向量数据库的内核底座早在2019年已经成型，广泛应用与搜索、推荐、广告相关业务，涉及QQ浏览器、腾讯视频、腾讯新闻、腾讯地图等多个应用。

也就是说，直到2023年5月，腾讯云决定正式立项前，向量数据库已经在内部各个BG上跑了四年，这也是只花了三个月时间，就能上线和对外提供服务的原因之一。

正是基于向量化和数据库方面累积的经验，腾讯云才能直接上线企业级的向量数据库。

在企业级能力方面，自7月份正式发布以来，腾讯云向量数据库经过多次迭代升级，最高支持千亿级向量规模和500万QPS峰值能力，可用性达99.99%，相同内存可以存储5-10倍的数据。

高性能、低成本，形成了腾讯云向量数据库在行业中的竞争力。性能方面，无论是128维度还是768维度，腾讯云向量数据库的QPS峰值能力都远高于行业平均水平，其中128维度领先行业平均水平四倍以上，768维度也有两倍以上的优势；但具体到单QPS成本方面，腾讯云向量数据库又把价格做到了普惠，128维度的单QPS成本只有行业的七分之一，768维度只有行业的四分之一。

同时，作为一款AI原生数据库，从接入层、计算层、到存储层都进行了智能化的升级，核心是能够让企业用自然语言与数据产生互动。

针对信息损耗和召回的痛点，腾讯云推出了国内首个端到端的向量数据库解决方案，将端到端召回率提高30%，并且缩短了数据接入AI的时间。

向量化、封装为数据库固然重要，但要继续将其打造成一个产品化的向量数据库，对很多厂商提出了挑战。相比于新兴的数据库厂商，大厂显然在产品化方面更为老练。

腾讯一直坚持的产品思路是“即开即用”，一站式产品化也自然成为做向量数据库的解决思路。

罗云团队在调研中发现，企业很急迫，但根本不知道什么样数据可以向量化，如何向量化存储，如何使用向量数据库以及如何与大模型相结合。

“最大的痛点在于，如何打通企业的行业know how，和AI的整个技术栈”，罗云表示。

向量数据库发挥功能也不是一蹴而就的，客户的数据加工流程非常复杂，要解决分段、向量化、二次向量化等各种问题。

基于此，腾讯云的端到端向量数据库解决方案中，包含了文本智能化分割、选择向量化模型、帮助客户建立索引、智能化排序、数据接入全流程的服务。利用腾讯云的AI智能化套件，仅用100行代码就可快速搭建起一个企业级的本地知识库。

百川智能表示：“向量数据库是一站式的端到端的一套完整技术栈。第一块就是帮助数据分片，我们每天的数据量大约是2亿，在没有腾讯云向量数据库之前，处理会比较慢，因为不是一个并发的任务，必须只能单线程序去做。第二块像数据导入、数据批量更新，速度也快了很多。”

“通过全过程的介入，不仅解决企业有的问题，更保证了向量数据库使用的效果”，邹鹏这样总结一站式的优势。

技术实用性大于路径选择

尽管向量数据库发展仍在很早期，落地过程仍有很多问题，离大规模复制也很远，但腾讯云做了更深层次的思考，将其摆在了战略发展地位。