此为看完视频What is a Vector Database?后的笔记。
作者首先对数据库做了分类，其中RTweb表示real time web app。
然后对用例做了分类，最后一个就是适合于AI的近似搜索。
好处，包括灵活性，可扩展性和性价比。
本视频最重要的是讲向量数据库的特征，即vector和embedding。
这两个特征是配合工作的。
vector就是向量，就是数组，就是一组数，就是一组浮点数。可以看OpenAI的例子。
在OpenAI的文档中，embedding的定义为：
Get a vector representation of a given input that can be easily consumed by machine learning models and algorithms.
获取给定输入的向量表示，机器学习模型和算法可以轻松使用该表示。
vector和embedding经常互换使用，但既然这里分开了，也可以说下他们的细微区别。
vector是名词，是一组数；embedding是动词，是向量化的过程，或将数据表示为向量的技术，以捕获有意义的信息、语义关系或上下文特征，按照（What are vector embeddings?）的说法，虽然嵌入和向量可以在向量嵌入的上下文中互换使用，但“嵌入”强调以有意义和结构化的方式表示数据的概念，而“向量”指的是数字表示本身。
在OpenAI的例子中，输入一个对象（如文本），OpenAI返回向量，然后你可以存入向量数据库中，如Oracle 23c或SingleStore。
如果你订阅了OpenAI，可以试下这个通过API实现embedding的例子。
最后，说下好处。
- 灵活性：关系型，文档，Graph等，任何类型的数据都可以向量化
- 可扩展性：这里指的是数据的扩展/增长
- 性价比：指搜索性能很好
