MySQL 9.x VECTOR 类型实战,向量检索的原生时代
MySQL 9.x Innovation 线(当前最新 9.7.4,2026-10-20 发布,release notes 里 9.7.4.1 已列为待发布状态)引入了 VECTOR 原生类型,把"向量检索"从外挂方案(应用层算相似度)变成了 SQL 原生能力。本文讲清 VECTOR 类型的语法、距离函数、与 MySQL 生态(HeatWave/应用层)的配合方式,以及它与专业向量库的选型边界。
一、VECTOR 类型与基本 DDL
-- 建表:VECTOR(N) 固定维度声明
CREATE TABLE products (
id BIGINT AUTO_INCREMENT PRIMARY KEY,
name VARCHAR(200) NOT NULL,
category VARCHAR(50),
embedding VECTOR(768), -- 768 维向量(如常见 embedding 模型输出)
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
VECTOR INDEX idx_embedding (embedding) -- 向量索引(HeatWave 场景)
);
-- 写入:字符串形式传入浮点数组
INSERT INTO products (name, embedding)
VALUES ('无线降噪耳机',
'[0.12, 0.83, 0.05, ...]');
-- 读取:VECTOR_TO_STR / STR_TO_VECTOR 转换
SELECT name, VECTOR_TO_STR(embedding) FROM products LIMIT 5;
语法要点:
- 维度固定:VECTOR(768) 建表后维度不可变,换 embedding 模型(维度变了)需要新列或新表——这与 pgvector 的维度管理思路一致,第十九章"模型换版双版本过渡"的原则同样适用;
- 数据以二进制存储(4 字节浮点 × 维度),768 维 ≈ 3KB/行——百万行规模下内存与磁盘占用要先算账;
- 字符串 '[0.1, 0.2]' 是输入输出格式,应用侧序列化/反序列化用驱动层的支持。
二、距离函数与检索查询
-- 内积 / 余弦 / 欧氏:按所用 embedding 模型的训练口径选择
SELECT name,
DISTANCE(embedding, STR_TO_VECTOR('[0.11,0.82,...]', 768), 'COSINE') AS dist
FROM products
ORDER BY dist
LIMIT 10; -- Top-10 相似商品
| 距离函数参数 | 语义 | 使用场景 |
|---|---|---|
| COSINE | 余弦距离 | 文本语义检索(大多数 embedding 模型推荐) |
| EUCLIDEAN | 欧氏距离 | 图像特征、聚类场景 |
| INNER_PRODUCT(负内积) | 内积 | 模型文档明确用 IP 的场景 |
组合检索(结构化过滤 + 向量相似度)是 VECTOR 类型的原生优势——WHERE 条件与 ORDER BY 距离在同一引擎内完成,不需要像外挂方案那样"先 SQL 取候选再应用层算相似度":
-- 带过滤的语义检索:同品类内找相似
SELECT name, category,
DISTANCE(embedding, :query_vec, 'COSINE') AS dist
FROM products
WHERE category = 'audio' AND price BETWEEN 100 AND 500
ORDER BY dist
LIMIT 10;
注意优化器行为:过滤条件选择性高时先走 B-tree 过滤再算距离(快);过滤条件宽松时是全量向量扫描(慢)——VECTOR 索引(HeatWave 场景)与纯 SQL 计算的性能差异巨大,社区版主要靠"过滤收敛候选集 + 批量距离计算"控制成本。
三、应用侧集成:生成 embedding 与链路设计
向量检索的完整链路是"生成 + 存储 + 检索",数据库只负责后两环:
// Node 应用侧完整链路
import { Client } from "mysql2/promise";
import { embed } from "./embedding.js"; // 调用 embedding 模型(本地/云 API)
const db = new Client({ host: "db", database: "shop", password: process.env.DB_PW });
// 1. 写入:文本 → embedding → 入库
export async function upsertProduct(name, category, price) {
const vec = await embed(`${name} ${category}`); // 生成 768 维向量
await db.execute(
`INSERT INTO products (name, category, price, embedding)
VALUES (?, ?, ?, STR_TO_VECTOR(?, 768))
ON DUPLICATE KEY UPDATE embedding = VALUES(embedding)`,
[name, category, price, JSON.stringify(vec)]);
}
// 2. 检索:查询文本 → embedding → 相似 Top-K
export async function searchProducts(query, limit = 10) {
const qvec = await embed(query);
const [rows] = await db.execute(
`SELECT name, category,
DISTANCE(embedding, STR_TO_VECTOR(?, 768), 'COSINE') AS dist
FROM products
ORDER BY dist LIMIT ${limit}`,
[JSON.stringify(qvec)]);
return rows;
}
工程纪律三条:embedding 模型版本与向量维度绑定存档(表加 model_version 列,换模型时新列并行);写入与检索用同一模型(跨模型距离无意义);批量写入用事务(embedding 调用失败要可重试且幂等)。
四、与专业向量库的选型边界
| 维度 | MySQL VECTOR | pgvector | 专业向量库(专用引擎) |
|---|---|---|---|
| 生态定位 | MySQL 生态内零新增组件 | PG 生态成熟 | 独立系统,检索性能最强 |
| 索引 | HeatWave 场景为主 | HNSW/IVF 成熟 | HNSW/ DiskANN 等大规模 |
| 规模舒适区 | 千万级以内 | 亿级 | 十亿级 |
| 事务与业务表 JOIN | 原生强项 | 原生强项 | 需要双系统对账 |
| 运维 | 已有 MySQL 体系零增量 | 需要 PG | 新增一套运维 |
选型结论:商品检索、FAQ 匹配这类"业务表 JOIN + 中等规模"场景,MySQL VECTOR 是最低成本路径(不加组件、事务一致、SQL 一把梭);大规模语义搜索(亿级、高 QPS)用专业向量库;PG 用户用 pgvector(u3 系列已覆盖)。MySQL 社区版没有 HeatWave 向量加速时,性能上限要先压测验证,别按 HeatWave 的指标外推。
五、坑与边界
| 坑 | 现象 | 应对 |
|---|---|---|
| 维度不匹配 | 插入/查询报错 | 应用侧校验维度;表加 model_version |
| 全表扫描距离计算 | 大表检索秒级 | 过滤条件收敛候选集;HeatWave/外挂索引 |
| 距离函数与模型口径不符 | 检索结果"看起来不对" | 模型文档确认(COSINE/IP/EUCLIDEAN) |
| 归一化缺失 | COSINE 结果异常 | 写入前 L2 归一化(按模型要求) |
| 换 embedding 模型 | 旧向量全部失效 | 双版本过渡列,渐进回填 |
| 备份恢复 | VECTOR 二进制与版本相关 | 升级演练覆盖含 VECTOR 的表 |
小结
MySQL 9.x 的 VECTOR(维度) 类型 + DISTANCE 函数把语义检索带进 SQL 原生时代:过滤 + 相似度一个查询完成,业务表 JOIN 零成本。 工程纪律是维度与模型版本绑定、写入检索同模型、大批量用事务。选型按规模与运维边界:千万级内 + 需要业务 JOIN 用 MySQL VECTOR,亿级用专业引擎,PG 生态用 pgvector。它不会替代专业向量库,但让"给业务表加个语义搜索"从架构动作变成了一个字段。
评论(0)
登录 后参与评论。