🔍 登录 注册

MySQL 9.x VECTOR 类型实战,向量检索的原生时代

南 南风知我意 2026-11-21 👁 4 ⏱ 6min

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:

  1. 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;
  2. 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;
  3. 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。

读完了?给作者一点支持

本文采用 CC BY 4.0 协议转载 · © 南风知我意

评论(0)

登录 后参与评论。

  • 还没有评论,来抢沙发。

🔗 相关文章

审计人的职业规划地图:事务所、企业内审、监管与自由执业的四条路线

"做了三年审计接下来去哪"是行业论坛上的永恒问题。2026 年的就业市场给出了新的答案坐标:AI 压缩了基础核算与核对类岗位,同时抬高了风险判断、内控体系、数据审计类岗位的身价。本文把审计人的出路整理成四条主路线——事务所纵深、企业内审/风控、监管与准则机构、自由执业/专家证人——每条给进入条件、典型轨迹、5 年收入区间感与适配画像,帮你做一次结构化的自我定位。

4 天前👍 1

Spring Cloud 2026.0.0-RC2 Paddington 发布:版本列车迁移指南

2026 年 11 月 5 日,Spring 官方宣布 Spring Cloud 2026.0.0-RC2(代号 Paddington)发布——这是继 2025.1.x(Oakwood)之后的下一个版本列车,对应 Spring Boot 4.2.x 世代。对还在 Oakwood 上的团队,这是规划迁移的最佳窗口。本文基于官方项目页与博客的权威信息(2026-11-19 抓取),给出版本列车的现状、迁移核对清单与回滚预案。

2 天前👍 1

显卡算力十一月观察:Vera Rubin 接棒与推理性价比的重算

2026 年 11 月,GPU 算力市场进入 Vera Rubin 接棒期:vLLM 官方数据显示 Vera Rubin NVL72 对 GB200 NVL72 达 7.8 倍单卡吞吐(10-09),对 GB300 NVL72 在 DeepSeek-V4.1-Flash 上达 58 倍同等交互性吞吐(11-12);NVIDIA 同时发布 RTX Spark 紧凑桌面(11-18)与 DGX Spark 开发者套件(11-16),Lambda 则引入光互连提升 AI 工厂弹性(11-16)。代际跳跃幅度如此之大,意味着一年前的算力成本模型已经作废。本文给工程团队一份重算框架与采购/租赁决策清单。

2 天前👍 1