后端学习AI向量检索，会拓宽发展路径吗
学完向量检索，我反而更觉得数据库重要以前大模型出来的时候，有人问过我一句，“以后都语义搜索了，数据库是不是没那么重要了？”真正做过 RAG 以后，我觉得恰恰相反。数据库思维反而更重要了。传统数据库解决的是非常确定的问题，用户 ID 是多少、订单号是什么、SKU 对应哪条数据。但 AI 搜索不是这么回事。用户可能只说一句，“帮我找几款适合夏天通勤、价格别太贵的女装。”数据库里根本没有一个字段叫“适合夏天通勤”。这时候才需要 Embedding、向量检索、语义召回。但做着做着你又会发现，向量也不是万能的。有些场景关键词更准，有些场景结构化过滤更重要，最后往往是关键词 + 向量 + 条件过滤 + 重排序一起上。所以我现在反而建议后端认真学一下检索。因为你学到的不是一个 Milvus 或 pgvector 的 API，而是重新理解一件事，以前我们搜索的是“数据”，现在 AI 开始搜索“语义”。而这块，恰好和后端的数据、搜索、服务架构能力高度相关。后端的老本行，并没有过时。
发布于 湖南
分享
评论
赞
未登录
友善发言
评论
加载中
