什么是向量数据库？你需要知道的 [2025]

向量数据库将数据存储为高维嵌入，这些嵌入表示数据点之间的语义关系。与依赖于严格的基于模式的查询的关系数据库不同，向量数据库依赖于从 Word2Vec、BERT 或 CLIP 等模型导出的嵌入来执行基于相似性的搜索。

它们不是寻找精确的关键词匹配，而是测量多维空间中的向量距离，以检索语义相关的信息。匹配度越高，结果越好。

向量数据库的特点是注重速度、规模和灵活性。它们在毫秒内检索结果。

那么，这些向量数据库是如何工作的呢？它们通过人工智能洞察力提高了准确性并揭示了隐藏的模式，但需要强大的基础设施。而且由于它们需要微调以保持快速和响应灵敏，因此正确的设置的重要性不容低估。

传统数据库需要结构和精确度。向量数据库在混乱中蓬勃发展。一个跟踪精确匹配，而另一个寻找意义。简而言之，如果没有它们，就不会有人工智能驱动的搜索和个性化。

正在寻找例子？想想流媒体平台如何总是预测您下一个可能沉迷观看的内容。或者那些电子商务网站，它们总是能在天气变化时立即知道您想要什么，等等？这仅仅是向量数据库如何影响您生活的一个微小例子。

著名的名字浮现在脑海：Meilisearch、Pinecone、Qdrant、Milvus 和 Chroma 处于领先地位。每个都在将性能推向极限，同时使人工智能搜索更快，让您的生活更轻松。

现在您已经知道什么是向量数据库以及它们的作用，让我们更深入地了解它们的工作原理、优缺点以及它们如何影响您的日常生活。

准备好了吗？让我们开始吧。

什么是向量数据库？

描述传统数据库的最佳方式是将它们比作文件系统。基本上，它们以行和列的形式存储数据。虽然这种结构对于数字和类别来说是有意义的，但在处理含义时会失去效力。

向量数据库以不同的方式工作和存储数据。它们依赖于从基于 Transformer 的模型、神经网络或主成分分析 (PCA) 优化的降维生成的嵌入。这些嵌入编码了数据点的语义和句法意义。

当提交查询时，输入被转换为查询向量，然后使用近似最近邻 (ANN) 搜索方法（例如分层可导航小世界 (HNSW) 图或倒排文件 (IVF) 索引）与存储的嵌入进行比较，以找到最接近的匹配项。

每个单词、图像或声音都带有权重。向量数据库会理解它的含义。它将其分解为向量数据（数字）并绘制出关系，而不是仅仅堆积事实。为什么？这样相似的想法就会聚集在一起，而不相关的想法就会疏远。

输入“舒适的跑鞋”，您得到的不仅仅是一堆带有这些确切词语的列表。您会看到专为全天穿着而打造的运动鞋，合适的足弓支撑和完美的弹性——即使产品名称中没有“舒适”字样。这就是向量搜索在发挥作用。是的，这不仅仅是一个理论教程。它知道您在寻找什么，而不仅仅是您输入的内容。

电子商务网站、生成式人工智能助手和搜索引擎都运行在这项技术之上。它们通过结果进行思考，并为您提供有意义的答案。

既然我们已经确定了为什么向量搜索以其搜索能力改变了游戏规则，那么让我们分解一下它的工作原理。从向量表示到相似性搜索，每个部分都发挥着作用。

向量数据库如何工作？

原始数据是混乱的。向量数据库清理它并使其有意义。在可以处理查询之前，原始数据会经历几个预处理步骤，包括标记化（对于文本）、傅里叶变换（对于音频）和特征提取（对于图像）。

然后，使用预训练或微调的模型将数据映射到高维向量空间，以生成查询向量。许多向量数据库采用降维技术，如 PCA、t-SNE 或自编码器，以降低计算复杂性，同时保持向量的保真度。

当搜索某些内容时，数据库会生成一个查询向量来表示您的输入。然后将此向量与存储的嵌入进行比较，以找到最相关的结果。

向量表示

向量数据库中的一切都以数字开始。文本、照片和音频被转换为高维点。每个向量都包含上下文并理解单词、对象和想法之间的关系。了解更多关于向量嵌入如何工作的信息。

假设您搜索“苹果”。您是要买水果吗？升级您的 iPhone？购买闻起来像新鲜采摘的 Granny Smiths 苹果的蜡烛？向量数据库会立即弄清楚。它查看上下文并连接想法，以获得您真正需要的东西，而不是随机结果。

索引机制

数十亿个向量，但只有一个答案重要。向量数据库不是逐个扫描数百万条记录，而是使用 HNSW 和 IVF 等技术来快速定位与查询向量紧密匹配的向量。

花哨的名字，简单的概念。分层可导航小世界 (HNSW) 图使用分层图和贪婪搜索启发式方法来有效地遍历向量空间，而倒排文件索引 (IVF) 将相似的向量聚类到分区的区域中。

相似性度量

向量数据库通过比较数据来工作。两个向量越接近，它们看起来就越相似。

向量数据库基于各种距离度量计算相似性，包括

• 余弦相似度 (CS)：衡量两个向量之间的角度相似度，广泛用于文本嵌入。
• 欧几里得距离 (ED)：这种计算高维空间中两点之间直线距离的方法通常应用于图像识别。
• 点积相似度 (DPS)：在深度学习模型中更受欢迎，尤其是在基于 Transformer 的嵌入中对相关性分数进行排名时。

这就是人工智能如何推荐歌曲、电影、电视节目和产品的方式。它根据意义对结果进行排名，而不仅仅是匹配字母。这就是为什么向量数据库为当今最智能的搜索引擎提供支持。

接下来，让我们探讨使向量数据库如此强大的功能。

向量数据库的关键功能是什么？

传统数据库囤积数据。它们存储单词、数字和文件，但它们不理解它们。另一方面，向量数据库实际上理解里面的内容。

让我们来看看使它们成为现在的样子的一些功能

高效的相似性搜索

基本搜索引擎是盲目的。它们匹配单词，而不是意义。您搜索“游戏笔记本电脑”，突然，每个名称中带有“游戏”的笔记本电脑都会弹出。是的，即使是那些几乎无法运行 Minecraft 的弱笔记本电脑。

然而，向量搜索理解是什么使笔记本电脑适合游戏。它查看 GPU、刷新率、冷却系统以及其他游戏玩家喜欢什么等规格。这就是为什么人工智能驱动的搜索和推荐是有意义的，而不仅仅是将随机笔记本电脑扔给您。

高维数据处理

有些数据很简单。有些数据是野兽。向量数据库都不会退缩。

流媒体服务为您做的不仅仅是跟踪电影标题。它还会考虑类型、节奏、电影摄影风格，甚至心情。这就是为什么它会建议您甚至不知道自己想看的东西。传统数据库会列出描述中共享一些关键字的电影。

可扩展性

数据不断增长，搜索负载也越来越重。当这种情况发生时，传统数据库开始滞后。或者，向量数据库只会变得更好。

向量数据库通过分片、分布式搜索分区和 GPU 加速来实现可扩展性。FAISS（Facebook AI 相似性搜索）等框架利用基于 GPU 的并行处理来有效地处理高吞吐量查询。

与依赖于 B 树或基于哈希的索引的传统数据库不同，向量数据库使用量化（PQ、OPQ）和 ANN 剪枝来减少计算负载，同时保持召回率。

集成能力

向量数据库几乎可以增强人工智能模型。

它可以毫无摩擦地融入搜索引擎、欺诈检测模型和聊天机器人。它帮助人工智能更快地思考、更好地预测并交付有意义的结果。

对于基于文本的应用程序，它与 BERT、GPT 或 Sentence-BERT 等 Transformer 模型集成，而基于视觉的检索系统则利用 CLIP 或 DINO 嵌入。

现在，让我们谈谈企业如何使用向量数据库来保持领先地位。

使用向量数据库有哪些优势？

速度。准确性。相关性。向量数据库毫不费力地交付所有三者。

人工智能搜索、个性化推荐、大规模数据管理——如果没有向量搜索的混合，这些都无法顺利运行。

现在，让我们谈谈为什么企业押注于向量数据库。

1. 上下文感知的语义搜索

有没有试过查找一部电影，但不记得片名了？您输入“那部太空电影，其中时间在一个星球上移动得更慢”，不知何故，系统知道您指的是《星际穿越》。这不是运气。这是一个向量数据库在发挥作用。

基本的关键字搜索需要完全匹配——如果您不记得片名，祝您好运。另一方面，向量搜索知道“太空”、“时间膨胀”和“父女太空故事”都与《星际穿越》有关（好吧，还有一些其他电影也是如此）。令人着迷，不是吗？

让我们看另一个例子。Hugging Face 集成了 Meilisearch，以促进在超过 300,000 个 AI 模型、数据集和演示中进行搜索，以确保特定领域的查询产生高度相关的结果。如果没有向量搜索，基于关键字的方法将无法掌握相似 AI 模型或数据集之间的关系。

2. 高性能、低延迟查询

如果搜索结果加载时间超过一秒，人们就会离开。没有人有耐心等待缓慢的结果，而使用向量数据库，他们不必等待。

零售搜索必须平衡速度和准确性，尤其是在实时客户互动中。路易威登在实体店部署 Meilisearch，以实现即时且上下文感知的商品搜索。

想象一下，一个医学研究实验室正在运行一个基因突变数据库。一位科学家输入一个查询，寻找导致突破性治疗的类似突变。一个标准数据库会处理数百万条记录，浪费他们甚至没有的时间。与此同时，向量数据库会立即找到模式，并在咖啡变冷之前找出最接近的匹配项。

3. 精准的人工智能推荐

您正在 Netflix 上观看一部真实的犯罪纪录片。接下来您就会发现，该平台会建议一部法律剧和一部心理惊悚片——但不仅仅是任何惊悚片。一部具有相同悬念、节奏和黑暗基调的惊悚片。

这不是运气。这是一个向量数据库在幕后工作，跟踪观看习惯，检测细微模式，并推荐适合您口味的东西。

搜索驱动的个性化对于用户参与度至关重要。Bookshop.org 报告称，在集成 Meilisearch 以基于主题、类型和用户偏好而不是仅仅依赖标题和作者关键字来匹配图书后，购买转化率提高了 43%。

4. 具有向量洞察力的自学习人工智能

机器学习模型只有它所提供的数据那么智能。垃圾进，垃圾出。向量数据库确保人工智能获得好东西。

以自动驾驶汽车为例。它们依赖于大量的视觉和传感器数据。基本数据库会将每个图像或传感器读数视为单独的条目。向量数据库会看到整个画面，分析数百万个微小细节——道路标志、行人移动、天气状况——并做出瞬间决策。

这就是为什么自动驾驶系统、欺诈检测和人工智能聊天机器人依赖于向量搜索。

5. 可扩展的高维搜索

更多数据？没问题。更多用户？放马过来。更多查询？这东西就是为此而生的。

假设您运营着一个全球招聘平台。招聘人员正在跨行业、经验水平和地点搜索具有特定技能的候选人。随着搜索变得更加复杂，传统数据库会变慢。但向量数据库不会。事实上，它会在几秒钟内处理数百万份简历的查询，方法是根据实际资格对候选人进行排名。哎呀，再也没有 LinkedIn 关键字技巧了。

使用向量数据库有哪些缺点？

向量数据库速度快、功能强大，并且对于人工智能和搜索具有变革性。但我们不要自欺欺人——它们并不完美。它们需要强大的计算能力、仔细的设置和可靠的运行计划才能全速运行。

将它们想象成一辆高性能跑车。无与伦比的加速和精确的操控，但并非为每条道路而生。让我们分解一下权衡。

1. 计算能力要求高

向量搜索会消耗处理能力。每次您点击搜索时，它都会在数千个维度上运行复杂的计算。如果没有合适的硬件，它就会滞后、停顿，并且难以跟上。

Bildhistoria 维护着大量的历史照片档案。跨越数百万图像嵌入的高速检索是必要的。如果没有 GPU 加速或优化的索引，相似性搜索在过多的计算需求下会遇到困难。强大的系统是跟上实时查询的唯一方法。

2. 设置不是即插即用

SQL 数据库？设置好后就不用管了。向量数据库？没那么简单。

调整索引方法和相似性模型需要专业的知识。错过一个设置，性能就会迅速下降。

一个处理数百万份医疗扫描件的研究实验室需要精确度。如果系统配置不正确，科学家们就会浪费时间等待，而不是取得突破。

3. 存储空间快速增加

向量数据库把存储空间当早餐吃。一个文件可能有数千个维度，这些维度会非常快地堆积起来。

一个跟踪每个场景、声音和字幕的视频平台？数据管理超载。如果没有智能压缩，存储空间就会失控——很快。

4. 并非总是适合这项工作的工具

向量搜索在人工智能驱动的推荐和深度搜索方面表现出色。但是，结构化数据点并不是它的强项。

如果您需要跟踪销售额、发票或库存，请坚持使用关系数据库。向量搜索是为意义而构建的，而不是简单的查找。

向量数据库在人工智能和搜索需要精确度的地方大放异彩。但它们与传统数据库相比如何呢？让我们来分解一下。

向量数据库与传统关系数据库有何不同？

关系数据库喜欢结构。一切都适合整齐的行和列。这对于银行业或库存管理非常有用。但是人工智能呢？搜索引擎？推荐系统？它们需要更大的灵活性。这就是向量数据库的用武之地。

模式与灵活性

关系数据库在存储任何内容之前需要严格的蓝图。每个条目都必须符合模具。这非常适合跟踪发票、工资单或客户订单。

向量数据库不需要固定的结构。它可以毫不费力地处理文本、图像和音频。人工智能驱动的搜索在这种自由中蓬勃发展。

精确查询与语义理解

关系数据库检索您要求的内容。不多也不少。当查找特定的采购订单或 ID 号码时，这非常有用。

向量数据库会弄清楚您的意思。搜索与《蝙蝠侠：黑暗骑士》感觉相同的电影将为您提供具有相似主题、节奏和电影摄影的电影。

SQL 约束与自适应算法

虽然 SQL 数据库针对 ACID（原子性、一致性、隔离性、持久性）合规性进行了优化，但向量数据库优先考虑最终一致性和高吞吐量查询。它们通常会牺牲严格的事务保证来换取性能提升。

向量数据库使用 余弦相似度和欧几里得距离来衡量关系。它们的图像识别能力有助于它们识别模式。这就是 Spotify 在您知道自己心情如何之前推荐歌曲的方式。

数据记录与预测性洞察

关系数据库跟踪购买、预订和付款；它非常适合结构化的实时更新。

向量数据库预测接下来会发生什么。它不是记录某人购买了什么，而是建议他们接下来想要什么。

结构与发现

一个保持事物井井有条，另一个寻找隐藏的联系。需要具有精确定位的结构化数据点？关系数据库胜出。需要超越显而易见的人工智能驱动的洞察力？向量数据库是最佳选择。

让我们看看现实世界的用例，在这些用例中，向量搜索发挥了重要作用。

向量数据库的常见用例有哪些？

人工智能、搜索引擎和推荐系统依赖于向量数据库来连接传统数据库甚至看不到的点。无论是预测您下一个要沉迷观看的内容，还是在欺诈发生之前阻止欺诈，向量数据库都在驱动地球上最智能的技术。

推荐引擎

Netflix 和 Spotify 等流媒体服务处理大量内容，方法是将每个项目映射到高维向量空间中。在这个空间中，类型节奏和叙事风格根据数学上的接近程度而不是预定义的类别对齐。还有更多…

推荐引擎不是应用通常无法捕捉细微差别的僵化类型标签，而是利用余弦相似度和潜在因子模型来呈现高度相关的推荐，而无需精确的关键字匹配。

图像和视频检索

基于文本的搜索在处理图像时通常会失败，因为它依赖于手动分配的元数据，而这些元数据并不总是准确反映视觉细节。向量数据库允许人工智能系统通过将图像转换为数值封装视觉特征的嵌入，来处理图像中的颜色纹理和空间关系。

Google 相册（您 iPhone 上的“照片”应用程序也是如此）可以找到您去过的每一个海滩旅行——无需您标记任何东西。Pinterest 可以匹配您服装中完全相同的蓝色阴影。向量搜索是对人类会做的模式、纹理和形状的直接读取。

自然语言处理 (NLP)

聊天机器人曾经像您第一次发短信的祖母一样一无所知。现在呢？您银行的支持聊天机器人听起来几乎像人一样。借助向量索引，ChatGPT、Google Bard 和 Meta 的 Llama 等人工智能系统可以在高维空间中分析用户查询，并识别意图，而不仅仅是识别特定单词。

向量索引为理解我们单词背后意图的人工智能提供动力。这就是为什么聊天机器人会根据上下文做出回应，人工智能助手会记住我们提出的问题，语言模型会像它们具有个性一样写作。

语义搜索

Google 现在理解含义了。抱歉陈述了显而易见的事实。

如果您输入“飞往洛杉矶的廉价航班”，您会获得最优惠的价格，而不仅仅是堆满“廉价”和“航班”的页面。询问 Alexa 今天体育界发生了什么，它会提取头条新闻，而不仅仅是标题中带有“体育”的随机页面。这就是向量搜索在字里行间阅读。

BM25+ 和基于 Transformer 的嵌入等排名模型通过构建搜索结果的结构来优先考虑用户需求而不是简单的关键字密度，从而优化这些结果。

相似性搜索

有没有想过您可以描述一种氛围而不是一件东西？向量数据库通过向量相似性使这成为可能。向量搜索将产品描述、客户评论和视觉特征映射到高维空间，在这些空间中，相似性是通过数学方式而不是通过直接关键字重叠来确定的。

亚马逊的“查找类似商品”功能使用向量嵌入来分析产品描述、用户评论和视觉属性，以推荐替代品。

如果购物者搜索“简约木制咖啡桌”，传统的关键字搜索可能会返回标题中带有“木制”的任何桌子。向量搜索反而会映射产品的尺寸、材料、风格和客户评分，以找到几乎相同的设计，即使卖家对它们的描述不同。

检索增强生成 (RAG)

人工智能过去依赖于预设知识。现在，它边走边学。

GPT-3.5 和 GPT-4 等传统人工智能模型依赖于预训练知识，这意味着它们的响应仅与上次训练周期一样最新。

但是，向量驱动的检索系统允许人工智能访问实时、特定领域的信息。这自然会提高准确性和相关性。

异常检测

发现欺诈曾经是一个缓慢的过程。现在不再是了。

例如，Visa 的人工智能驱动的欺诈检测通过考虑位置、交易历史记录、设备指纹和消费模式等因素来检查交易向量。

假设一张卡突然在没有事先旅行历史记录的情况下在国外处理了一笔异常高价值的购买。在这种情况下，Visa 的人工智能会检测到异常，并可能立即标记或阻止交易。

流行的向量数据库有哪些示例？

向量数据库使人工智能更智能，搜索引擎更快。有些是为速度而构建的，有些是为处理海量数据集而构建的。选择合适的数据库取决于您的需求。让我们看看顶尖的参与者以及是什么使它们变得出色。

1. Meilisearch

Meilisearch 提供即时搜索结果，同时像专业人士一样处理拼写错误。它将向量搜索与全文搜索相结合，我们已经知道这使其非常适合电子商务、SaaS 和内容平台。

它的混合方法让用户即使没有输入确切的单词也能找到他们需要的东西。灵活的 API 使集成变得容易，实时索引使数据保持新鲜。毕竟，没有人有时间纠正他们的错误，尤其是在 Google 搜索上。Meilisearch 很棒，因为它

1. 混合了全文搜索和向量搜索，以获得更高的准确性
2. 即时更新数据，没有延迟
3. 平滑扩展以适应大型应用程序

2. Pinecone

Pinecone 消除了管理基础设施的麻烦。它是完全托管的，因此团队可以专注于人工智能模型而不是数据库维护。

它提供实时过滤，并随着新类型数据的进入，保持搜索结果的敏锐度。它可以自行扩展，因此可以放心，无论数据集的大小如何，性能始终保持快速。

主要特点

1. 无需设置或维护
2. 实时过滤使搜索结果保持相关性
3. 处理数十亿个向量而不会减速

3. Qdrant

Qdrant 是一个高速、开源的向量数据库。它专为人工智能驱动的搜索而设计，并允许微调排名以提高相关性。

它完美地补充了机器学习管道，随着时间的推移，使人工智能模型更加有效。分布式处理允许它在需要时跨多台机器扩展。

主要特点

1. 开源且灵活，适用于人工智能应用程序
2. 自定义排名提高了搜索结果
3. 支持多节点部署以实现高效率

4. Milvus

Milvus 专为深度学习和海量数据集而设计。它是生物技术、金融和网络安全等行业的最爱。

它支持 GPU 加速，这意味着更快的搜索和分析。凭借企业级的可扩展性，它可以轻松处理巨大的人工智能工作负载。

主要特点

1. 针对深度学习和人工智能进行了优化
2. 使用 GPU 功率以获得快速性能
3. 受到生物技术、金融和安全领域企业公司的信任

5. Chroma

Chroma 帮助 LLM（大型语言模型）实时检索数据。人工智能助手和聊天机器人使用它来保持最新的知识。

它是检索增强生成 (RAG) 的首选，帮助人工智能提取新鲜、相关的数据，而不是依赖过时的训练模型。

主要特点

1. 非常适合人工智能驱动的搜索和聊天机器人培训
2. 快速且内存高效，适用于大规模应用程序
3. 与 OpenAI、Hugging Face 和其他人工智能框架配合使用

每个数据库都有基于不同指标的优势。如果您需要快速、容错能力强的搜索，Meilisearch 是一个不错的选择。如果可扩展性和自动化很重要，Pinecone 是一个强大的选择。

正在寻找开源的灵活性？Qdrant 可满足您的需求。需要深度学习支持？Milvus 是为此而构建的。如果 LLM 和人工智能助手是您的重点，Chroma 会脱颖而出。

无论您选择哪种，向量搜索都在塑造生成式人工智能和搜索技术的未来。

向量数据库为我们所知的互联网提供动力

向量数据库不是遥远的梦想。是的，它们现在就存在，并改变了我们使用数据的方式。它们驱动人工智能搜索每秒处理海量数据。是的，它们也支持 Netflix 的那些建议。如果速度、准确性和规模很重要，那么向量搜索值得您关注。

大型公司和初创公司都信任向量数据库来提高其生成式人工智能模型的水平。电子商务网站使用它们来预测客户想要什么。流媒体服务似乎可以读懂您的心思并推荐完美的电影。欺诈检测系统在罪犯下手之前抓住他们。

不再是基本的关键字匹配。不再是僵化、死板的查询。向量数据库掌握您的意图，而不仅仅是您的文字。向量数据库驱动智能搜索，为大规模人工智能推荐、实时检索和欺诈检测提供动力。

常见问题 (FAQ)

向量数据库如何存储和索引数据？

它们将文本、图像和声音转换为数值向量。这些向量存在于高维向量空间中，其中相似的项目彼此靠近。它们使用高效的索引方法，将搜索时间缩短到毫秒，以提高速度。

向量数据库中使用的不同索引技术有哪些？

常见的选择包括分层可导航小世界 (HNSW) 和倒排文件索引 (IVF)。HNSW 构建了一个快速图进行搜索，而 IVF 将相似的向量分组以便快速查找。一些数据库使用乘积量化来减小向量大小并节省存储空间。向量数据库还使用局部敏感哈希 (LSH) 来有效地对相似向量进行分组。

向量数据库如何处理大规模数据？

它们通过添加更多服务器而不是使一台服务器过载来水平扩展。分布式架构分散了工作负载，即使有数十亿条记录也能保持高性能。云原生选项优化了成本和效率。

向量数据库中的相似性搜索如何工作？

相似性搜索依赖于近似最近邻 (ANN) 技术，以从搜索生态系统中快速查找和排名相关结果。它测量向量之间的距离。两个向量越接近，它们看起来就越相似。余弦相似度、欧几里得距离和点积等技术推动了这一过程。这种方法为推荐、人工智能搜索和欺诈检测提供动力。

向量数据库如何与机器学习模型集成？

它们无缝地融入人工智能管道。机器学习模型生成嵌入；向量数据库存储它们，相似性搜索检索最佳匹配项。这个过程使聊天机器人、推荐引擎和人工智能助手随着时间的推移变得更智能。

向量数据库与键值存储和图形数据库相比如何？

键值存储快速获取精确匹配项。图形数据库跟踪节点之间的关系。向量数据库查找非结构化数据中的相似性。每个都有其用途，但向量搜索在人工智能应用中处于领先地位。

哪些行业从向量数据库中获益最多？

科技、金融、电子商务、网络安全和医疗保健都获得了回报。任何使用人工智能搜索或推荐的行业都需要向量数据库。欺诈检测、内容审核和实时个性化都受益。

选择向量数据库时，性能方面的考虑因素有哪些？

关注延迟、可扩展性和准确性。有些数据库在大型数据集方面表现出色，而另一些数据库则专注于低延迟搜索。最佳选择取决于您的用例、预算和人工智能需求。