企业官网建设流程全解析

向量数据库 vs 传统关系型数据库（MySQL）：存储内容 + 常用操作对比

一、各自存放内容（核心区分，结合词向量案例）

1. 传统关系型数据库（MySQL/PostgreSQL）：结构化数据

只存标量结构化数据，无高维浮点向量

存储字段类型：数字、字符串、日期、枚举、布尔。

示例数据表：水果信息表

表格

用途：业务属性、原文、编号、价格、分类等业务字段。

2. 向量数据库（Milvus/Qdrant/Chroma）：非结构化数据：向量

两类数据同存：标量字段 + 高维稠密向量字段（词向量 / Embedding）Collection（等价数据表）结构：

表格

• 标量：分类、名称、标签，用于过滤；
• 向量：由 Word2Vec/BERT 生成，用于语义相似度搜索。

落地规范：MySQL 存业务详情，向量库只存标签 + 向量 + 唯一 ID。

二、核心操作对比：增、删、改、查（重中之重）

1、新增数据

MySQL：INSERT，整行结构化写入

sql

INSERT INTO fruit(id,name,category,price) VALUES(1,'苹果','水果',8.5);

特点：字段固定约束、类型校验、支持事务。

向量库：add/insert，同时写入标量 + 向量数组

python

运行

coll.add(ids=["1"],documents=["苹果"],metadatas=[{"category":"水果"}], embeddings=[[0.61,0.22,-0.55]])

特点：向量是浮点数组，无严格范式约束。

2、删除数据

MySQL：按字段条件删除（等值 / 区间）

sql

DELETE FROM fruit WHERE id=1; DELETE FROM fruit WHERE category='水果';

向量库：按 id删 / 按标量过滤批量删

python

运行

coll.delete(ids=["1"]) coll.delete(where={"category":"水果"})

3、修改更新

MySQL：UPDATE，按条件修改任意标量字段

sql

UPDATE fruit SET price=9 WHERE id=1;

向量库：整体覆盖，不能单独修改向量中某一个浮点数，只能整条数据替换向量

python

运行

coll.update(ids=["1"],embeddings=[[0.62,0.23,-0.54]])

4、查询（最本质差距）！！！！

（1）MySQL：精确匹配 / 区间查询，没有语义检索能力

• 等值查询

sql

SELECT * FROM fruit WHERE name='苹果';

只能查出苹果，查不出香蕉。

• 范围筛选

sql

SELECT * FROM fruit WHERE price<10 AND category='水果';

只能按字面、数值筛选，不懂词义相似。

（2）向量数据库：两种查询：标量过滤 + 向量相似度检索（ANN）

1. 普通标量过滤（同 MySQL）：筛选 category="水果"
2. 核心：向量相似检索（独有）输入苹果向量[0.61,0.22,-0.55]，查 Top2 相似：

python

运行

res=coll.query(query_embeddings=[[0.61,0.22,-0.55]],n_results=2)

返回：苹果、香蕉（语义相近，文字不一样也能命中）。

3.混合查询（工业常用）：先标量过滤，再向量检索

python

运行

coll.query(query_embeddings=[...],where={"category":"水果"})

先筛水果类目，再在水果里找语义相似内容。

5、额外特有操作

MySQL 独有

• JOIN 多表关联、GROUP BY 分组统计、聚合 (sum/count)、外键约束、事务回滚。

向量库独有

• 构建 HNSW/IVF 向量索引、余弦 / L2 距离计算、向量归一化、批量向量聚类。

三、简明总结

1. MySQL：存属性，查字面；擅长精确筛选、统计、业务账务。
2. 向量库：存属性 + 词向量，查语义；擅长相似召回、RAG、以文搜文。