MariaDB 11.8 LTS新增特性：Vector(向量)支持

Posted on Views:

MariaDB 11.8 LTS 一个非常重要的新方向，就是：原生支持 Vector（向量）能力。这意味着：MariaDB 正式进入 AI / RAG / Embedding / Semantic Search 时代。

这是数据库未来几年最重要的演进方向之一，尤其适用于：

  • LLM（大模型）
  • RAG（检索增强生成）
  • AI Agent
  • Recommendation（推荐系统）
  • Semantic Search（语义搜索）
  • Similarity Search（相似度检索）
  • Image Retrieval（图像检索）
  • Multimodal（多模态）

1.什么是 Vector（向量）

例如：”数据库性能优化”
经过 embedding model 编码后：

1
[0.123, -0.551, 0.889, 0.004, ...]

这就是：高维向量（High-dimensional Vector）

通常：

  • 384维
  • 768维
  • 1024维
  • 1536维
  • 3072维

例如：

  • OpenAI Embedding
  • BGE
  • E5
  • SentenceTransformer
  • Cohere
  • Jina AI

都会产生向量。

2.MariaDB 11.8 的 Vector 能力

核心：VECTOR 数据类型

例如：

1
2
3
4
5
CREATE TABLE docs (
    id BIGINT PRIMARY KEY,
    content TEXT,
    embedding VECTOR(768)
);

这表示：

1
embedding 字段存储 768 维向量

这在传统 MySQL 中几乎不可优雅实现。

3.向量支持的核心操作

3.1 向量存储

1
高维 embedding 持久化

例如：

1
2
3
4
5
INSERT INTO docs VALUES (
    1,
    'MariaDB supports vector search',
    '[0.11, 0.23, 0.56, ...]'
);

3.2 相似度搜索（核心）

1
2
3
4
5
6
7
8
SELECT id, content
FROM docs
ORDER BY
    VEC_DISTANCE(
        embedding,
        '[0.12, 0.31, 0.49, ...]'
    )
LIMIT 10;

实现：Top-K Similarity Search

3.3 常见距离算法

支持：

算法 场景
L2 Distance 欧式距离
Cosine Similarity NLP 最常用
Inner Product 推荐系统
Dot Product Embedding 检索

3.4 向量索引（重点）

支持：Approximate Nearest Neighbor（ANN）即：近似最近邻搜索，否则：全表扫描 = 灾难

典型：

  • HNSW
  • IVF
  • PQ（未来方向）

这是企业级 Vector DB 的核心。

4.架构图（RAG 场景）

flowchart TD

A[用户问题] --> B[Embedding Model]

B --> C[Query Vector]

C --> D[MariaDB Vector Search]

D --> E[Top-K Similar Documents]

E --> F[Prompt Assembly]

F --> G[LLM]

G --> H[最终答案]

这就是：经典 RAG Pipeline