1️⃣ 核心原理：向量嵌入
任何数据（文本、图片、音频）都会被转成向量——本质是机器能理解的数值数组。它们像高维空间中的坐标，语义相近的内容会聚在一起。
2️⃣ 规模挑战：不能逐个比对
面对百万甚至亿级别的向量，逐一比对既慢又不现实。必须用向量索引（Vector Indexing）来快速定位相似内容。
3️⃣ 索引技术：HNSW（分层可导航小世界图）
HNSW通过构建图结构，把相似向量连接起来，查询时“跳跃式”遍历，极大提升搜索速度。
4️⃣ 搜索流程简述
- 查询先转成向量
- 用距离度量（如余弦相似度）判断相似性
- 利用索引结构快速找到最接近的向量
- 返回最相关的结果，无需全量扫描
5️⃣ 权衡取舍
不同索引方案在速度、准确度和资源消耗间做平衡。比如有些方案牺牲一点准确率换取极速响应。
6️⃣ 背后价值
这种以“语义数字化”为核心的技术，是现代语义搜索、RAG（检索增强生成）、推荐系统的基础。复杂底层让开发者专注创新，无需纠结算法细节。
