向量数据库架构图模板
绘制向量数据库——写入路径、查询路径、ANN 索引和元数据过滤。
使用此模板模板亮点
- 写入路径：数据源经 Embedding 模型进入存储
- 查询路径：查询向量化进入 ANN 检索
- 核心是 ANN 索引（HNSW）、元数据过滤和向量存储
这个模板适合做什么
向量数据库架构图展示了向量存储如何摄入数据并响应相似度检索。本模板呈现每个向量数据库都有的两条路径：写入路径——源数据经过 Embedding 模型后 upsert 进存储；查询路径——查询被向量化后与索引匹配。中心是数据库本身——近似最近邻（ANN）索引（如 HNSW）、用于混合约束的元数据过滤，以及底层向量存储。适合用于设计向量检索系统、解释 ANN 检索与精确检索的区别，或说明 Embedding 在哪里生成、在哪里存储。
适用场景
- 设计一个向量检索系统，决定 Embedding 在哪里生成。
- 解释向量数据库为何使用近似（ANN）而非精确最近邻检索。
- 为设计评审分别整理写入路径和查询路径。
- 展示元数据过滤相对于 ANN 索引在哪里生效。
- 通过追踪存储的内容（向量 + 元数据 + 索引）来规划容量。
- 对比托管向量数据库与现有数据库上的向量扩展。
使用步骤
- 1在顶部绘制写入路径：数据源 → Embedding 模型 → upsert 进数据库。
- 2在底部绘制查询路径：查询文本 → 查询向量化 → ANN 检索。
- 3把向量数据库放在中心，含三部分：ANN 索引、元数据过滤、存储。
- 4把写入路径连进数据库（upsert）、查询路径连进索引（检索）。
- 5在最右侧添加结果节点，并把数据库连到它。
- 6把索引标注为 HNSW（或你的 ANN 算法），让检索方法一目了然。
简单示例
对文档语料库做语义检索
写入：文档 → Embedding 模型 → upsert → 向量数据库
向量数据库：HNSW 索引 + 元数据过滤 + 向量存储
查询：用户查询 → 查询向量化 → ANN 检索
元数据过滤在排序前按来源 / 日期收窄范围
Top-K 结果返回给应用
在线开始编辑
在 CodePic 中打开模板后，替换示例节点，就能很快整理成自己的学习导图。
