RAG 與知識庫
Vector Search 向量搜尋是什麼？讓 AI 懂你的意思而不是字面
Vector Search（向量搜尋）是一種基於語義理解的搜尋技術。它先用 Embedding 模型把文字、圖片或語音轉換成向量，再到高維空間中比較語義相似度，找出最相關的內容，而不只是關鍵字匹配。因為理解的是意思而非字面，它能找到用詞不同但概念相近的資料，是 RAG 與知識庫問答的核心。
Vector Search 向量搜尋是什麼？讓 AI 懂你的意思而不是字面
你在知識庫裡搜「機器學習怎麼入門」，結果一片空白，因為你的文件標題寫的是「深度學習初始指南」。
關鍵字搜尋只認字面，向量搜尋認的是意思。這一篇講清楚它怎麼辦到。
你將學到什麼
定義
向量搜尋把文字轉成向量，在高維空間中比較語義相似度，找出最相關的內容。
白話比喻
關鍵字搜尋像對答案，字對才算；向量搜尋像聽懂你的意思，換個講法也找得到。
跟誰容易搞混
BM25 是精準關鍵字比對，兩者各有強項，實務上常合起來用，那就是混合搜尋。
定義
Vector Search（向量搜尋）透過把文字、圖片、語音等資料轉換成向量，在高維度空間中比較語義相似度，找出最相關的結果。
它的核心是「語義理解」。它不看關鍵字，而是理解你真正想要的意思，找出最符合語意的答案。
運作流程
- 使用者輸入查詢，用自然語言問就好。
- 用 Embedding 模型把查詢轉換成向量。
- 在向量資料庫中搜尋已建好的文件向量。
- 計算相似度並排序，常用的度量是餘弦相似度。
- 回傳最相關的前幾筆結果。
白話比喻
傳統關鍵字搜尋像對答案，字要對得上才算數。你查「機器學習 入門」，可能只撈到標題剛好含有相同關鍵字的那幾份。
向量搜尋像聽懂你的意思。同樣一句「機器學習入門」，它能找到深度學習初始指南、AI 新手教學、如何進入資料科學領域這些用詞不同但概念相近的內容。
跟關鍵字搜尋差在哪
| 比較項目 | Keyword Search 關鍵字搜尋 | Vector Search 向量搜尋 |
|---|---|---|
| 搜尋方式 | 精準關鍵字匹配 | 語義相似度匹配 |
| 理解能力 | 低，只匹配字面 | 高，理解語義 |
| 結果準確度 | 可能遺漏相關內容 | 找出更多相關內容 |
| 適用場景 | 精確查找特定詞彙 | 語義搜尋、問答、推薦 |
實際用例
最常見的四個場景是智慧客服、文件檢索、推薦系統、知識庫問答。共同點都是使用者不會用你文件裡的原話發問。
常見的向量資料庫有 Pinecone、Weaviate、Milvus、Qdrant、Chroma、FAISS。它們支援高維向量索引、快速近似搜尋，也支援用中繼資料先過濾再搜。
常見的 Embedding 模型則有 OpenAI 的 text-embedding-3、Google 的 text-embedding，以及開源的 sentence-transformers。
優點與限制
- 優點，理解語義，超越關鍵字匹配；找出更相關但不同表述的內容；對同義詞與相近概念更敏感；提升搜尋體驗與準確度。
- 限制，需要先建立向量，有計算成本；效果依賴 Embedding 模型的品質；可能回傳語義相似但不精確的內容；向量維度高，需要較多儲存空間。
所以它適合語義搜尋、問答與推薦，不適合單獨拿來查型號、代碼或法條編號這類要求逐字命中的情境。
本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤 酒Ann 的 Facebook。
延伸學習
常見問答
向量搜尋一定比關鍵字搜尋好嗎？
不一定。查特定型號、專有名詞、法條編號這類需要精準命中的情境，關鍵字比對反而更可靠。向量搜尋強在語意，但可能回傳語義相似卻不精確的內容。所以實務上常用混合搜尋，兩邊一起跑再合併排序。
相似度是怎麼算的？
最常用的是餘弦相似度。它比較兩個向量的方向，數值越接近 1 代表語義越相似，0 代表無關，負值代表相反。系統會算完所有候選再取前幾名回傳。
它有什麼成本與限制？
資料要先建立向量，這一步有計算成本；效果依賴 Embedding 模型的品質；向量維度高，需要較多儲存空間。資料更新後也要重新建立向量，否則搜到的是舊內容。