向量数据库大模型过程

数据库通过将高维向量进行近似相似度比较，能够高效地处理大规模的向量数据。相比传统的关系型数据库，向量数据库能够更好地支持向量数据的查询和检索，并能够提供更加丰富的数据分析功能。在大模型时代，向量数据库向量数据库是一种专门用于存储和管理高维向量的数据库系统。随着深度学习和大数据技术的不断发展，向量数据库逐渐成为了一种重要的数据处理工具，尤其在推荐系统、搜索引擎、图像识别等领域中得到了广泛应用。向量的应用场景越来越广泛。例如，在推荐系统中，通过将用户行为和物品特征转化为高维向量，向量数据库可以高效地实现用户和物品的相似度匹配，从而为用户推荐更加精准的物品。在搜索引擎中，向量数据库可以用于实现语义搜索和图像识别等功能，提高搜索的准确性和效率。星环分布式向量数据库-TranswarpHippo星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片数据库不同，星环分布式向量数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景。

向量数据库是一种专门用于存储和查询向量的数据库系统。通过使用向量数据库来存储和查询数据，可以显著提高效率并降低成本。向量数据库主要应用于大模型训练、推理和知识库补充等场景，并且在接入层、计算层和存储层等方面已实现了全面的人工智能化。当前，大模型正快速进入各行业，但这些模型通常包含数十亿甚至更多的参数，其训练成本非常高昂。向量数据库可以用于大模型预训练数据的分类、去重和清洗等任务。与传统方式相比，向量数据库能够提升10倍的效率。如果将向量数据库作为外部知识库用于模型推理，则可以将成本降低几个数量级。以往，企业要接入一个大模型可能需要花费很久的时间，而使用向量数据库后，仅需几天即可完成，大大降低与查询向量相似的数据，对于大规模数据的处理非常高效。在大模型训练方面，向量数据库的应用非常广泛。例如，在自然语言处理领域，可以使用向量数据库存储和查询单词向量，以提高模型的效率和准确性。在图像识别方面，可以使用向量数据库存储和查询图像特征向量，以加快图像搜索和识别的速度。除了大模型训练，向量数据库还可以应用于推理和知识库补充等场景。在推理方面，向量数据库可以作为外部知识库，为模型提供更加多样化和

为高维度的多维向量，由此可以结构化地在向量数据库中进行管理，实现快速、高效的数据存储和检索过程，结合相似性检索特性，进而更高效地支撑更广泛的应用场景，比如智能推荐场景等。同时，随着大语言模型应用中对AI应用场景。在赋予大模型拥有“长期记忆”的同时，还可以协助企业解决目前担忧的大模型数据隐私泄露问题。大模型的快速应用，推动向量数据库向高扩展、高性能、实时性方向发展大模型正在与企业应用迅速结合，重塑各种类型的非结构化数据。用户可以通过表示学习的预处理方式将这些数据转化为多维向量，并存储在向量数据库中，从而可以很好地解决上述三个问题。比如，在应用端与大模型进行交互时，将输入的文字、图片等问题信息进行向量化，先进行语义搜索，找到相关的信息，将其拼接成提示词传递给大模型，大模型通过计算分析后反馈结果。星环科技创始人、CEO孙元浩表示，“向量数据库承担了中间存储的角色，我们认为向量数据库就是大语言模型的海马体，是一个记忆体。其基本功能是能够存储多维向量，并提供进一步的检索。”向量数据库早先被用于文本搜索或者语义搜索，过去不少公司用来做个性化推荐、构建知识图谱等。随着大模型的兴起，向量数据库可以让大模型

领域的语义理解和判断能力。然而，由于领域知识的复杂性和变化性，大模型无法完全做到准确性。面对这些限制，我们可以考虑引入向量数据库，它是专门为存储向量数据而设计的数据库。向量是由一组有序的数值(通常是文本的特征向量数据，帮助大模型实现长期记忆和专业能力扩展。当用户向大模型提问时，用户问题会被转化为一组高维向量，进行语义搜索，找到相关信息，并拼接成提示词，发给大语言模型生成答案反馈用户。向量数据库在其中承担了中间存储的角色，类似于海马体，是大模型存放长期记忆的地方。然而，向量数据库也需要具备一些特点，如高可用、高性能、易拓展等。它应该支持多种向量搜索索引，数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，才能满足企业针对海量向量数据的高实时性查询、检索、召回等场景。使用向量数据库能够有效克服大模型的限制，提高其准确性和反馈效率。星环分布式向量数据库浮点数)来表示一个对象或数据点，在多维空间中表示数据点的位置、特征或属性。对于图片、视频、文本等非结构化数据，可以通过抽取生成一组高维的特征向量，存储在向量数据库中。向量数据库具有较强的处理大规模、多维

这种搜索过程能够在短的时间内完成，提供了快速的响应时间。这不仅简化了开发者对向量数据的管理，还为大模型提供了强大的记忆和检索能力，使得大模型能够更好地应对复杂的数据分析任务。这种能力使得向量数据库成为推荐系统、异常检测和自然语言处理等应用的理想选择，推动了人工智能技术的进一步发展。。通过将非结构化数据转换为向量表示，向量数据库为复杂的数据分析提供了有力的支持。向量数据库之所以被称为大模型的“海马体”，是因为为大模型提供了强大的记忆和检索能力，使得大模型能够更好地处理非结构化数据中，大模型可以获取这些数据的向量表示，从而拥有了对过去学习经验的“长期记忆”。这种记忆能力使得大模型能够在处理新数据时更加准确和高效，减少了产生“幻觉”或错误预测的可能性。向量数据库通过执行近似近邻（ANN）搜索，能够在大规模数据集中快速识别相似的项目。这种能力使得大模型能够迅速从海量的数据中检索出与当前任务相关的信息，进一步提高了模型的性能和准确性。向量数据库使用的降维和索引算法等技术，使得并提高性能。海马体在人的大脑中扮演着记忆和学习的关键角色，尤其是与长期记忆的形成和巩固密切相关。类似地，向量数据库在人工智能系统中起到了存储和检索“记忆”的作用。通过将非结构化数据转换为向量并存储在数据库

大规模生成式AI模型的崛起进一步推动了对向量数据库的需求。以下是其中的原因：容纳海量数据：大规模生成式AI模型需要大量的训练数据来捕捉复杂的语义和上下文信息。因此，数据量激增。作为熟练的数据管理者，向量数据库在高效处理和管理这些海量数据方面发挥着关键作用。实现准确的相似性搜索和匹配：大规模生成式AI模型生成的文本通常需要进行准确的相似性搜索和匹配，以提供精确的回复、推荐或匹配结果。传统基于关键词的搜索方法在处理复杂的语义和上下文时可能显得力不从心。向量数据库在这方面表现出色，为这些任务提供高度相关性和有效性。支持多模态数据处理：大规模生成式AI模型不仅能处理文本数据，还可以处理图像和语音等多模态数据。作为全面的系统，能够存储和处理各种类型的数据，向量数据库有效支持多模态数据的存储、索引和查询，提高了其灵活性和多功能性。考虑到这些因素，向量数据库的发展与大规模生成式AI模型的演进密切相关。随着未来几年的快速发展，对向量数据库的需求无疑会持续大幅增长。

大模型与行业应用相结合，实现更加智能化的应用，是当前面临的重要问题。向量数据库和图数据库是大模型与行业应用相结合的重要工具。向量数据库是一种基于向量的存储和处理数据的数据库，可以高效地存储和检索向量数据，为大模型的训练和推理提供强大的支持。图数据库则是一种基于图结构的存储和处理数据的数据库，可以高效地存储和检索图结构数据，为大模型的训练和推理提供更加灵活的数据结构。相较于通用大模型，结合向量数据库、图数据库与知识图谱所存储的具体行业知识，领域大模型更精通特定行业的知识，具备高效的语料匹配能力和知识推理能力，能够有效回答用户的提问。在医疗领域，领域大模型可以帮助医生更加准确地诊断疾病。通过对大量随着人工智能技术的不断发展和应用，大模型已经成为一个热门技术。大模型是指模型参数数量庞大、训练数据量巨大的深度学习模型。这些模型在自然语言处理、计算机视觉、语音识别等领域取得了显著成果。然而，如何将的医疗数据进行分析和处理，领域大模型可以学习到疾病与症状之间的关联，并利用这些关联对新的病例进行诊断。在金融领域，领域大模型可以帮助银行识别欺诈行为。通过对大量的交易数据进行分析和处理，领域大模型可以学习到欺诈行为的特点和规律，并利用这些特点对新的交易进行检测。

向量数据库是一种新型的数据库架构，它使用向量表示法来存储和检索数据。这些向量是由深度学习模型生成的，可以简化处理多结构化内容的方式。与传统的关系型数据库不同，向量数据库设计为多语言和多模态，可以在同一向量空间内处理任何形式的自然语言和非结构化数据，如图像、视频、音频、文本等。这意味着，无论数据的形式如何，都可以使用相同的向量表示法进行处理。向量数据库通过处理深度学习模型的嵌入式向量来存储、索引和搜索大型非结构化数据集。这些向量是通过对原始数据应用某种转换或嵌入函数来生成的。嵌入函数可以基于各种方法，如机器学习模型、词嵌入、特征提取算法等。在向量数据库中搜索使用相似性指标和索引。相似性指标定义了数据库如何评估两个向量之间的距离和差值。常用的相似性度量是欧几里得距离，也称为L2范数。此外，索引也在加快查询速度和处理并发性方面发挥着关键作用。与传统的基于文本的数据库相比，向量数据库的主要优点是允许根据向量距离或相似性快速准确地搜索和检索数据。这意味着，用户可以使用向量数据库根据语义或上下文含义查找相似或相关的数据，而不是使用基于完全匹配或预定义条件查询数据库的传统方法。这种基于相似性的搜索方法可以更好地处理语义层面的查询，而不仅仅是基于关键词的匹配。

向量数据库向量数据库是一种专门用于存储和查询高维向量数据的数据库系统。它通过特定的索引结构和优化算法，使得高维向量的存储、管理和检索变得更加高效。向量数据库不仅支持大规模向量数据的存储，还提供高效的相似性搜索功能，即快速找到与查询向量最相似的若干个向量。这在推荐系统、图像识别、自然语言处理等领域具有广泛的应用。工作原理向量数据库的工作原理主要包括数据存储、索引构建和相似性搜索三个过程：数据存储：向量数据被存储在数据库中，并按照一定的数据模型进行组织。通常情况下，向量数据可以通过向量化技术将其转换为数值向量、文本向量或图像向量等形式。索引构建：针对向量数据，数据库会构建索引结构，以加快相似性结构进行快速搜索，并返回与查询向量最相似的数据结果。相似性搜索的过程通常涉及到距离计算和相似度评估，数据库会利用预先构建的索引结构来加速这一过程，从而提供快速准确的搜索结果。应用场景向量数据库在许多领域搜索的速度。常见的索引结构包括KD树、球树和LSH（局部敏感哈希）等。这些索引结构能够将向量数据组织成树状或哈希表的形式，从而提高相似性搜索的效率。相似性搜索：当用户发起相似性查询时，数据库会通过索引

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...