腾讯云向量数据库

腾讯云全托管的分布式向量数据库，支持多种索引类型与相似度检索。

核心功能

腾讯云向量数据库是全托管的分布式向量数据库，数据按 Database、Collection、Document 三级组织。在控制台购买实例并取得密钥后，用 tcvectordb SDK 建库建集合并写入检索。相比自托管方案免去部署运维，代价是实例规格与单次检索条数由平台限定。

功能亮点

索引类型丰富

FLAT、HNSW、IVF 系列到 BIN_FLAT 均可选，按精度与成本取舍。

写入即向量化

开启 Embedding 后直接写原始文本，由数据库按 Token 计费调用模型生成向量。

文档直接入库

AI 套件支持上传 PDF、Word、PPT、Markdown，自动完成解析、分块与写入。

标量过滤

对 string、uint64、json 字段建 Filter 索引，检索时按条件收窄。

适用场景

• 用 AI 套件上传企业 PDF、Word 文档，快速搭出可检索的内部知识库
• 国内业务的 RAG 应用，把向量实例与 CVM 放在同地域并走内网访问
• 图文或商品检索场景中，先用 Filter 索引按类目过滤再做向量召回

安装配置

bash

开通服务：
1) 登录腾讯云向量数据库控制台，按规格选型购买实例（选择地域、节点规格、节点数与副本数）
2) 在控制台「密钥管理」页获取实例 API 密钥（account 默认为 root）
3) 配置网络：走内网需保证 CVM 与实例同地域且 VPC、安全组可连通；
   走外网需在控制台开启外网访问并手动配置 IP 白名单
4) 在「实例详情 - 网络信息」处复制访问地址，再建 Database 与 Collection
   （Collection 需指定主键索引、向量索引的维度与度量、以及 Filter 索引）

安装客户端 SDK（要求 Python 3.8 及以上）：
pip3 install tcvectordb

使用方法

python

导入依赖并创建客户端：
import tcvectordb
from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency
from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams
from tcvectordb.model.document import Document, SearchParams, Filter

client = tcvectordb.RPCVectorDBClient(url='http://10.0.X.X', username='root', key='eC4bLRy2va******************************', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30)

创建 Database：
db = client.create_database(database_name='db-test')

设计索引并创建 Collection：
index = Index(
            FilterIndex(name='id', field_type=FieldType.String, index_type=IndexType.PRIMARY_KEY),
            VectorIndex(name='vector', dimension=3, index_type=IndexType.HNSW,
                        metric_type=MetricType.COSINE, params=HNSWParams(m=16, efconstruction=200)),
            FilterIndex(name='bookName', field_type=FieldType.String, index_type=IndexType.FILTER)
        )

coll = db.create_collection(
            name='book-vector',
            shard=1,
            replicas=1,
            description='this is a collection book vector',
            index=index
        )

写入数据（动态 Schema，可写入未预定义的字段）：
res = client.upsert(
            database_name='db-test',
            collection_name='book-vector',
            documents=[
                Document(id='0001', vector=[0.2123, 0.23, 0.213], author='罗贯中', bookName='三国演义', page=21),
                Document(id='0002', vector=[0.2123, 0.22, 0.213], author='吴承恩', bookName='西游记', page=22),
                Document(id='0003', vector=[0.2123, 0.21, 0.213], author='曹雪芹', bookName='红楼梦', page=23)
            ]
        )

相似性检索（filter 过滤 + HNSW 的 ef 参数）：
doc_lists = client.search(
            database_name='db-test',
            collection_name='book-vector',
            vectors=[[0.3123, 0.43, 0.213], [0.315, 0.4, 0.216], [0.40, 0.38, 0.26]],
            filter='bookName in ("三国演义","西游记")',
            params=SearchParams(ef=200),
            limit=3
        )
for i, docs in enumerate(doc_lists):
        print(i)
        for doc in docs:
                print(doc)

关键指标

尚未核验对标产品，此处只列本工具自身指标，不做对比结论。

指标腾讯云向量数据库

价格免费增值

开源否

上手难度进阶

优点

全托管免部署运维，控制台购买实例即可使用，并提供 DMC 数据管理与监控能力
内置 Embedding 与 AI 套件，可直接写文本或上传文档，不必自建向量化管道
索引类型覆盖 FLAT / HNSW / IVF 系列，IVF_RABITQ 可将存储压到原始的 1/32–9/32
中文官方文档完整，提供 Python / Java / Go / Node.js SDK 与 HTTP API

缺点

向量维度上限 4096，Document ID 长度上限 128 字符
单次相似性检索最多返回 20 条数据；按 ID 的 Query / Update / Delete 单次上限 1000 条
外网访问需在控制台手动开启并配置 IP 白名单，官方推荐仍走同地域内网
Embedding 开通后立即按 Token 计费、不提供免费 Token，默认限速每秒 100000 Token