AI Prompt Engineering · 课时

用于提示的向量数据库

Q: 「用于提示的向量数据库」这节课中我会学到什么？

探索向量数据库如何存储和检索相关信息，以便有效地提供给 RAG 提示 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

探索向量数据库如何存储和检索相关信息，以便有效地提供给 RAG 提示

用于提示的向量数据库 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 3 节课，共 3 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 3 节课。

什么是向量数据库

欢迎来到向量数据库（VDB）的世界！这些专用数据库为使用大型语言模型（LLM）带来了突破性改变。

VDB 将信息存储为数值向量，也就是数字列表。这样，它们就能快速找到与查询在“语义上相似”的数据，也就是说，这些数据具有相近的底层含义，而不仅仅是匹配关键词。

将语言表示为数字：嵌入

在数据进入 VDB 之前，数据会被转换为嵌入。嵌入是文本的数值表示形式：含义相近的词语或短语，在多维空间中彼此接近。

文本转向量：嵌入模型会将您的文本转换为向量。
保留语义：这些向量能够捕捉文本的语义含义。
LLM 的语言：这就是 LLM 在内部“理解”和处理语言的方式。

在向量数据库中存储数据

您可以把向量数据库想象成一座高度有序的图书馆，其中每本书（或每段文本）都带有一个独特的数值指纹，也就是它的嵌入向量。

向 VDB 添加数据时，流程如下：

根据需要，将您的文本拆分成更小的片段。
将每个片段转换为嵌入向量。
VDB 将该向量与原始文本及相关元数据一同存储。

相似性搜索的奥妙

VDB 的真正优势在于其执行相似性搜索的能力。它们不是匹配关键词，而是查找与查询向量在数值上“接近”的向量。

这意味着，如果您询问“犬类伙伴”，VDB 仍然可以检索出提到“狗”或“宠物”的文档，即使这些确切词语并未出现。它理解的是底层含义！

检索增强生成（RAG）中的 VDB

向量数据库是 RAG 系统“检索”步骤的核心组件。它们充当 LLM 可以访问的外部知识库。

简化后的流程如下：

用户提出问题。
将问题嵌入为向量。
VDB 找到最相关的文档片段（向量）。
将这些片段作为上下文发送给 LLM，用于回答问题。

填充 VDB：示例代码

让我们看一个概念性的 Python 示例，了解如何将文档添加到向量数据库中。这个过程包括嵌入文本，然后存储生成的向量。

请记住，在实际应用场景中，这段代码需要特定的向量数据库客户端库和嵌入模型，因此这里只用于说明概念。

import numpy as np

# Imagine an embedding model function
def get_embedding(text):
    # In a real scenario, this uses an LLM API
    # or a local embedding model.
    # For illustration, let's return a dummy vector.
    return np.random.rand(128).tolist() # 128-dim vector

# Imagine a simplified VectorDB client
class SimpleVectorDB:
    def __init__(self):
        self.vectors = {} # Stores {id: {'vector': [...], 'text': '...'}}

    def add_document(self, doc_id, text_content):
        vector = get_embedding(text_content)
        self.vectors[doc_id] = {'vector': vector, 'text': text_content}
        print(f"Added '{text_content[:20]}...' (ID: {doc_id})")

# --- Main simulation --- 
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")

查询 VDB：示例代码

填充好向量数据库后，您就可以查询它来查找相关信息。查询本身也会先进行嵌入，然后 VDB 会搜索最接近的向量。

这段概念性 Python 代码演示了如何搜索语义相似的内容。

import numpy as np
from scipy.spatial.distance import cosine # For similarity

# (Re-using get_embedding and SimpleVectorDB conceptually)
def get_embedding(text):
    return np.random.rand(128).tolist()

class SimpleVectorDB:
    def __init__(self):
        self.vectors = {}

    def add_document(self, doc_id, text_content):
        vector = get_embedding(text_content)
        self.vectors[doc_id] = {'vector': vector, 'text': text_content}

    def search(self, query_text, top_k=1):
        query_vector = get_embedding(query_text)
        
        scores = []
        for doc_id, data in self.vectors.items():
            doc_vector = data['vector']
            # Cosine similarity: 1 - cosine distance
            similarity = 1 - cosine(query_vector, doc_vector)
            scores.append({'id': doc_id, 'text': data['text'], 'score': similarity})
        
        # Sort by similarity in descending order
        scores.sort(key=lambda x: x['score'], reverse=True)
        return scores[:top_k]

# --- Main simulation --- 
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")

user_query = "What is the capital city of France?"
results = db.search(user_query, top_k=2)

print(f"Query: '{user_query}'")
print("Top results:")
for res in results:
    print(f"- Text: '{res['text']}' (Score: {res['score']:.2f})")

使用 VDB 的主要优势

将向量数据库集成到您的 RAG 工作流中，可以带来显著优势：

语义搜索：根据含义而非仅根据关键词查找结果。
减少幻觉：通过事实性外部数据为 LLM 提供依据，使响应更可靠。
可扩展性：高效处理海量非结构化数据。
实时更新：可以轻松使用新信息进行更新，让 LLM 的上下文保持最新。

VDB 的重要注意事项

要让您的向量数据库配置发挥最佳性能，请考虑以下几点：

嵌入模型的选择：嵌入的质量会直接影响搜索准确性。
分块策略：您拆分文档的方式（例如按段落或句子拆分）会影响检索粒度。
数据时效性：定期使用新信息更新 VDB，确保 LLM 获得最新的上下文。
元数据：将有用的元数据与向量一起存储，以便进行筛选并改善检索效果。

快速检查：RAG 中的向量数据库

向量数据库在提升 LLM 的性能和可靠性方面发挥着关键作用。现在，让我们测试一下您对向量数据库在检索增强生成（RAG）系统中主要功能的理解。

回顾：VDB 与您的 LLM

本课中，我们探索了向量数据库及其在现代人工智能应用中的重要作用，尤其是在 RAG 中的作用。

VDB 存储能够捕捉文本含义的数值嵌入向量。
VDB 支持强大的语义搜索，能够根据上下文查找信息。
VDB 通过提供外部事实数据显著增强 LLM，从而带来更准确、更可靠的输出。

掌握 VDB 是构建稳健、智能的人工智能系统的关键！

常见问题解答

「用于提示的向量数据库」课时是免费的吗？

是的 — 「用于提示的向量数据库」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 3 节课。

「用于提示的向量数据库」这节课中我会学到什么？

探索向量数据库如何存储和检索相关信息，以便有效地提供给 RAG 提示你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Prompt Engineering 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 3 节。

「用于提示的向量数据库」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Prompt Engineering 课中编写并运行代码吗？

能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Prompt Engineering