向量检索

向量检索是如何工作的？

一个完整的向量检索流程通常包含四个步骤。

1. 将内容转换为向量

首先通过 Embedding 模型，把文本、图片、音频或代码等内容转换为高维向量。

例如：

“销售收入的统计口径”
        ↓ Embedding
[0.23, -0.17, 0.81, ...]

这一步的作用是将难以直接计算相似度的自然语言转换为数学空间中的数值表示。

2. 建立向量索引

如果只有几十条数据，可以直接逐条比较向量距离。但企业知识库可能拥有百万甚至千万级向量，因此通常需要建立专门索引，例如：

• HNSW；

• IVF；

• PQ；

• LSH。

索引的目标是：在不扫描全部向量的情况下，快速找到最可能相关的候选结果。

3. 将用户查询转换为向量

当用户输入：“销售收入怎么算？”系统同样使用 Embedding 模型生成查询向量。然后通过索引查找与该向量最接近的内容。

4. 返回 Top-K 相似结果

系统通常会返回相似度最高的若干条记录，例如：

Top 1：销售收入指标定义
Top 2：销售收入统计口径说明
Top 3：收入确认规则
Top 4：财务指标管理制度

这些结果可以直接用于搜索，也可以继续交给大语言模型生成回答。

向量检索和关键词检索有什么区别？

例如用户搜索：

“怎么减少客户不续约？”

向量检索可能召回：

“客户流失治理方法”。

但如果用户搜索：

“GB/T 35273”

这类精确标准编号，关键词检索反而通常更合适。

因此企业级搜索系统往往会采用：关键词检索 + 向量检索的混合方式。

什么是混合检索（Hybrid Search）？

混合检索是将多种检索方式结合起来。

常见组合是：

关键词检索
+
向量检索
+
元数据过滤
+
重排序

例如用户查询：

“2026 年新版销售收入指标定义”

系统可以：

1. 通过关键词匹配“销售收入”；

1. 通过向量搜索识别语义相关内容；

1. 通过元数据筛选“2026 年”“当前版本”；

1. 通过 Reranker 对结果重新排序。

这样通常比纯向量检索更加稳定。

向量检索和语义搜索是什么关系？

向量检索是实现语义搜索的主要技术方式之一，但语义搜索不等于向量检索。

语义搜索关注的是：

根据用户真正的意图和语义找到相关内容。

为了实现这一目标，可以使用：

• 向量检索；

• 知识图谱；

• 查询改写；

• 同义词扩展；

• 重排序模型。

因此向量检索是一种底层能力，而语义搜索是更完整的搜索应用。

向量检索和向量数据库有什么区别？

两个概念关系紧密，但层级不同。向量检索是一种查询方法，向量数据库是用于存储、索引和执行向量检索的系统。

可以简单理解为：

向量检索 = 方法

向量数据库 = 承载这种方法的基础设施

向量检索不仅可以由专门向量数据库实现，也可以由支持向量类型和索引的搜索引擎、关系数据库或分析数据库实现。

为什么向量检索结果“相关”却可能“不正确”？

这是向量检索最重要的边界之一。向量检索判断的是：

“语义像不像”

而不是：

“内容是不是事实正确、是不是最新、是不是当前有效版本”。

例如知识库中同时存在：

V1：销售收入包含税额
V2：销售收入不包含税额

如果两段文本都被向量化，那么用户搜索“销售收入怎么计算”时，两者在语义上都高度相关。

纯向量检索并不知道哪个版本才是当前有效定义。

因此企业必须结合：

• 文档状态；

• 发布时间；

• 版本；

• 权限；

• 来源权威级别；

• 元数据过滤。

否则就会出现：召回很准，但答案仍然错。

向量检索和语义层有什么区别？

这是企业 AI 数据分析场景中非常重要的概念边界。

向量检索解决的是“哪段内容与问题最相关”，语义层解决的是“企业数据应该按照什么业务规则计算”。

例如用户问：

“活跃客户怎么定义？”

向量检索可以从指标文档中找到相关说明。

但如果用户问：

“本月华东区活跃客户有多少？”

系统还必须确定：

• 活跃客户使用哪个指标；

• 活跃行为是什么；

• 去重对象是什么；

• 本月对应哪个时间字段；

• 华东区包含哪些组织；

• 当前用户是否有权限查看。

这些属于确定性业务语义和数据计算问题，而不是相似度检索问题。

因此：

向量检索
↓
找到相关业务知识
语义层
↓
确定指标、维度、规则和数据
Data Agent
↓
理解问题并协调两类能力

三者承担不同职责。

为什么向量检索不能替代指标查询？

假设用户问：

“今年华南销售额是多少？”

向量检索也许能够找到：

“销售额指标定义”

“华南区域划分规则”

但它无法仅通过相似度搜索得到准确销售额。

因为准确结果需要实际执行：

销售额指标
+
时间 = 今年
+
区域 = 华南
+
统一业务规则
+
真实数据

最终才能完成计算。

因此可以把两者的区别概括为：向量检索寻找相关信息，指标查询计算确定结果。对于企业 Data Agent，这两种能力通常都需要，但不能混用。

向量检索在企业 Data Agent 中有哪些应用？

场景一：检索指标和业务知识

用户问：

“公司的高价值会员怎么定义？”

Agent 可以通过向量检索找到：

• 指标说明；

• 会员运营规范；

• 相关业务制度。

再基于这些内容回答。

场景二：检索分析方法和历史经验

用户提出：

“销售额下降应该从哪些方向分析？”

Agent 可以从企业沉淀的：

• 分析方法；

• 历史报告；

• 分析 Skill；

• 业务知识；

中找到相关经验，为后续分析提供上下文。

场景三：检索用户上传文件

如果业务人员上传：

• Excel 说明；

• PDF；

• 会议纪要；

• 研究报告；

Agent 可以对其中的文本进行 Embedding，再通过向量检索快速定位相关内容。

场景四：辅助自然语言理解

用户可能不会使用企业内部标准术语。

例如用户说：

“最近不怎么来的会员”。

企业指标名称可能是：

“沉默会员”。

通过向量匹配，可以帮助系统找到语义接近的业务术语，再进一步映射到统一指标或实体。

Aloudata 如何使用向量检索？

在 Aloudata 的企业数据分析体系中，向量检索更适合作为 Agent 获取业务上下文和非结构化知识的一种检索机制，而结构化数据计算仍由统一指标和语义层承担。

Aloudata Agent：使用向量检索补充企业知识

Aloudata Agent 在进行数据分析时，面对的不只有结构化数据，还可能涉及：

• 企业知识；

• 指标解释；

• 分析经验；

• 业务制度；

• 历史报告；

• 用户上传文件。

这类内容适合通过 Embedding 与向量检索进行语义召回。

例如用户提出：

“结合公司的会员运营策略，分析为什么本月留存下降。”

Agent 可以先检索相关会员运营制度和历史分析材料，作为业务上下文。随后再调用结构化数据能力进行实际指标分析。

Aloudata CAN：将“相关概念”转换成确定指标语义

如果用户进一步询问：

“本月 30 日会员留存率是多少？”

这时不能再停留在向量检索。Aloudata CAN 可以通过统一指标语义管理：

• 留存率；

• 会员；

• 时间周期；

• 渠道；

• 地区；

• 业务限定；

• 计算规则。

Agent 可以将自然语言映射为受控指标语义，并执行确定性的指标查询。

因此两者可以形成：

用户自然语言
      ↓
Aloudata Agent
      ↓
┌───────────────┬────────────────┐
│               │                │
↓               ↓                ↓
向量检索      Aloudata CAN     分析 Skill
│               │                │
业务知识      指标与维度        分析流程
└───────────────┴────────────────┘
              ↓
          可解释答案

向量检索建设中的常见误区

误区一：向量检索一定比关键词搜索好

事实：向量检索更适合语义理解，而编号、产品型号、专业缩写等精确查询往往更适合关键词搜索。实际企业场景通常采用混合检索。

误区二：Embedding 模型越大，检索一定越准

事实：检索效果还受到文档切分、数据质量、领域术语、索引参数和 Rerank 等多个环节影响，不能只看 Embedding 模型大小。

误区三：向量检索可以直接保证 RAG 正确

事实：向量检索只负责召回相关内容。RAG 是否正确还依赖版本、权限、上下文组织、重排序和模型生成。

误区四：向量检索可以替代语义层

事实：向量检索基于概率相似度，而语义层显式定义指标、维度和业务规则。前者更适合知识检索，后者更适合确定性业务计算。

常见问题（FAQ）

Q1：什么是向量检索？

向量检索是一种将用户查询和待检索内容转换成高维向量，再根据向量之间的距离或相似度查找相关结果的方法。它能够识别表达不同但语义相近的内容，广泛用于语义搜索、RAG、推荐系统和生成式 AI。

Q2：向量检索和关键词检索有什么区别？

关键词检索主要依赖词语是否出现或匹配，而向量检索主要比较内容之间的语义相似度。关键词搜索更适合精确术语和编号，向量检索更适合同义表达和自然语言查询，企业系统中两者通常组合使用。

Q3：向量检索一定要使用向量数据库吗？

不一定。向量检索可以由专门向量数据库实现，也可以由支持向量索引的关系数据库、搜索引擎或其他数据平台实现。向量数据库只是常见的基础设施之一。

Q4：向量检索为什么会召回错误内容？

因为向量相似度衡量的是语义相关性，而不是事实正确性。两个不同版本的业务规则可能语义高度相似，因此还需要结合版本、权限、文档状态、来源权威性和重排序机制进行过滤。

Q5：向量检索可以直接用于企业 AI 问数吗？

可以用于检索指标说明、业务规则和相关知识，但不能单独完成准确数据计算。企业 AI 问数还需要统一的指标、维度、数据模型和计算规则，通常需要结合指标平台或语义层。