Pipecone和Qdrant向量数据库
› VFX大学 › VFX Pipeline | 数字创意工作流 › Ai应用RAG知识库构建与部署资源使用方法汇总 › Pipecone和Qdrant向量数据库
追光
3. 向量数据库
向量数据库（Vector Database）用于存储、索引和高效检索 高维向量，常用于 语义搜索、推荐系统、异常检测 等场景。例如，文本、图像、音频都可以转换为向量，以便进行相似性搜索。将数据转换为 嵌入向量，嵌入向量存储与检索。
Pinecone 和 Qdrant 进行对比，选择更适合你的 向量数据库需求？
两者都是 高效的向量数据库，但它们有一些关键区别：
Pinecone vs. Qdrant 对比
特性 | Pinecone | Qdrant |
|---|---|---|
部署方式 | 云端 SaaS（Pinecone 提供托管） | 本地部署 / 自托管（Docker, Bare Metal） |
存储格式 | 向量存储（索引自动管理） | 向量 + 元数据（可定制索引） |
索引技术 | HNSW（自动管理） | HNSW（可自定义参数） |
查询方式 | 仅向量搜索 | 向量 + BM25 关键词搜索 |
多维度支持 | 需要单独索引不同维度的向量 | 可以存储不同维度的向量（如 768、1024、1536、3572） |
可扩展性 | 自动扩展，适用于大规模应用 | 需要手动扩展，但控制权更强 |
访问控制 | API Key 认证 | API Key 或 自定义身份验证 |
适合场景 | 商业 SaaS，简单集成 | 需要自定义，部署灵活 |
向量数据库在进行 近似最近邻搜索（ANN） 时，通常需要计算向量间的相似度。以下是几种常见的相似度度量方式：
1. 余弦相似度（Cosine Similarity）
特点：衡量两个向量的方向是否相似（角度越小，相似度越高）,适用于文本搜索、推荐系统（例如嵌入模型生成的文本向量）.
2. 欧几里得距离（Euclidean Distance）
特点：衡量两点间的直线距离;适用于 像检索、空间数据分析
3. 曼哈顿距离（Manhattan Distance / L1 距离）
特点：适用于高维稀疏数据（如推荐系统中的用户行为数据）
工信部备