向量資料庫是如何工作的？

向量資料庫和 Embedding 是當前 AI 領域的熱門話題。

Pinecone 是一家向量資料庫公司，剛剛以約 10 億美元的估值籌集了 1 億美元。

Shopify、Brex、Hubspot 等公司都在他們的 AI 應用程式中使用向量資料庫和 Embedding。那麼，它們究竟是什麼，它們是如何工作的，以及為什麼它們在 AI 中如此重要呢？讓我們一探究竟。

我們先看第一個問題，什麼是 Embedding？你可能在 Twitter 上已經看到這個詞被無數次提及。

簡單來說，Embedding 就是一個多維向量數組，由系列數字組成。它們能夠代表任何東西，比如文本、音樂、視頻等等。我們這裡將主要關註文本。

創建 Embedding 的過程非常簡單。這主要依靠 Embedding 模型（例如：OpenAI 的 Ada）。

你將你的文本發送給模型，模型會為你生成該數據的向量結果，這可以被存儲併在之後使用。

Embedding 之所以重要，是因為它們賦予我們進行語義搜索的能力，也就是通過相似性進行搜索，比如通過文本的含義。

因此，在這個例子中，我們可以在一個向量空間上表示“男人”“國王”“女人”和“王後”，你可以非常容易地看到它們在向量空間之間的關係。

來看一個更直觀的例子：

假設你是一個有一大箱玩具的小孩。現在，你想找出一些類似的玩具，比如一個玩具汽車和一個玩具公車。它們都是交通工具，因此它們是相似的。

這就是所謂的 “語義相似性”—— 表示某種程度上事物具有相似的含義或想法。

現在假設你有兩個相關聯但並不完全相同的玩具，比如一個玩具汽車和一個玩具公路。它們並不完全相同，但因為汽車通常在公路上行駛，所以它們是相互關聯的。 

那麼，Embedding 為何如此重要呢？主要是由於大語言模型（LLM）存在上下文限制。在一個理想的世界中，我們可以在一個 LLM 提示中放入無限數量的詞語。但是，正如許多人所知，目前我們還做不到。以 OpenAI 的 GPT 為例，它限制在大約在 4096 - 32k 個 token。

因此，由於其 “記憶體”（即我們可以填充到其 token 的詞語的數量），我們與 LLM 的交互方式受到了嚴重限制。這就是為什麼你不能將一個 PDF 文件複製粘貼到 ChatGPT 中並要求它進行總結的原因。（當然，現在由於有了 gpt4-32k，你可能可以做到這一點了）

那麼，怎麼把 Embedding 和 LLM 關聯起來解決 token 長度限制的問題呢？實際上，我們可以利用 Embedding，只將相關的文本註入到 LLM 的上下文視窗中。

讓我們來看一個具體的例子：

假設你有一個龐大的 PDF 文件，可能是一份國會聽證會的記錄（呵呵）。你有點懶，不想閱讀整個文件，而且由於其頁數眾多，你無法複製粘貼整個內容。這就是一個 Embedding 的典型使用場景。

所以你將 PDF 的文本內容先分成塊，然後藉助 Embedding 將文本塊變成向量數組，並將其存儲在資料庫中。

在存儲分塊的向量數組時，通常還需要把向量數組和文本塊之間的關係一起存儲，這樣後面我們按照向量檢索出相似的向量數組後，能找出對應的文本塊，一個參考的數據結構類似於這樣：

{

[1,2,3,34]: '文本塊1',

[2,3,4,56]: '文本塊2',

[4,5,8,23]: '文本塊3',

……

}

現在你提出一個問題：“他們對 xyz 說了什麼？”我們先把問題“他們對 xyz 說了什麼？”藉助 Embedding 變成向量數組，比如[1,2,3]。

現在我們有兩個向量：你的問題 [1,2,3] 和 PDF [1,2,3,34]，然後，我們利用相似性搜索，將問題向量與我們龐大的 PDF 向量進行比較。OpenAI 的 Embedding 推薦使用的是餘弦相似度。

好了，現在我們有最相關的三個 Embedding 及其文本，我們現在可以利用這三個輸出，並配合一些提示工程將其輸入到 LLM 中。例如：

已知我們有上下文：文本塊 1，文本塊 2，文本塊 3。

現在有用戶的問題：他們對 xyz 說了什麼？

請根據給定的上下文，如實回答用戶的問題。

如果你不能回答，那麼如實告訴用戶“我無法回答這個問題”。

就這樣，LLM 會從你的 PDF 中獲取相關的文本部分，然後嘗試如實回答你的問題。

這就簡單的闡述了 Embedding 和 LLM 如何為任何形式的數據提供相當強大的類似聊天的能力。這也是所有那些“與你的網站/PDF/等等進行對話” 的功能如何工作的！

請註意 Embedding 並非 FINE-TUNING。