RAG 的第一步叫检索，说白了就是先去资料里翻。但资料动不动几百万段，它凭什么一下就翻到对的那几页？
靠的就是向量数据库。
资料入库之前，每一段都先被变成一串数字坐标，也就是 embedding，然后存进这个仓库。等你提问的时候，你的问题也变成一串坐标，仓库拿它去跟存好的坐标量夹角，方向最接近的那几段，就是意思最相关的，先被捞出来，垫在问题下面，再交给 AI 回答。后两步，就是 Augmented 和 Generation。
为什么非这么绕？因为按字面翻是翻不准的。你问“怎么退货”，资料里写的却是“退款流程”，字面一个都不对版，普通仓库直接就漏掉了；按意思量夹角，它跑不掉。
打个比方：RAG 是开卷考试，向量数据库就是那本按意思编好目录的书——书再全，翻不到也是白搭。
一句话：RAG 管的是“先查再答”这套打法，向量数据库管的是让第一步的“查”，查得又快又准。
正文完