什么是向量数据库？

📐 第一步：搞懂"向量"是什么

"向量"听起来很吓人，但其实超级简单——它就是一组数字！我们用这组数字来描述一个东西的特征。

🗄️ 第二步：向量数据库是干嘛的？

你已经知道向量是"一组数字"了。那向量数据库呢？就是一个专门存放大量向量的特殊仓库，而且它有一个超能力——快速找到最相似的向量！

🎯 第三步：怎么算"像不像"？

向量数据库判断两个东西"像不像"的方法特别简单——算它们数字之间的距离！距离越小，就越像。

这个"算距离"的过程，电脑做起来超级快。就算数据库里有几亿条向量，它也能在几毫秒内找到最像的那几个！

# 我们来模拟一个简单的向量数据库

# 每部电影用3个数字描述：[搞笑程度, 动作程度, 感动程度]
movie_database = {
    "喜剧之王":    [9, 2, 6],   # 超搞笑，动作少，有点感动
    "复仇者联盟":  [4, 10, 5],  # 一般搞笑，动作超多，有点感动
    "寻梦环游记":  [5, 3, 10],  # 一般搞笑，动作少，超感动
    "功夫":       [8, 7, 3],   # 很搞笑，动作多，不太感动
    "泰坦尼克号":  [2, 3, 10],  # 不搞笑，动作少，超感动
}

# 我喜欢的一部电影的特征：很搞笑、动作一般、有点感动
my_favorite = [8, 4, 5]

# 计算"距离"——数字越接近，电影越像
def calculate_distance(vec1, vec2):
    """计算两个向量的距离，距离越小越相似"""
    distance = 0
    for i in range(len(vec1)):
        # 每个特征分数的差值平方后加起来
        distance = distance + (vec1[i] - vec2[i]) ** 2
    return distance

# 找出跟我最喜欢的电影最像的
results = []
for name, vector in movie_database.items():
    dist = calculate_distance(my_favorite, vector)
    results.append((name, dist))
    print(f"《{name}》跟我的喜好距离: {dist}")

# 按距离从小到大排序，距离越小越像
results.sort(key=lambda x: x[1])
print(f"\n最推荐的电影是：《{results[0][0]}》！")

🧠 第四步：AI 为什么离不开向量数据库？

你问 ChatGPT 一个问题，它怎么能记住你之前聊过什么呢？答案就是——向量数据库就是 AI 的"长期记忆"！

🌍 向量数据库在生活中的应用