一句话定义
向量检索（Vector Search） 指把数据（图片、文本、音频）通过模型转成高维向量，再在向量集合中按距离找出与查询最相似的若干项。
为什么需要它
传统数据库按精确字段查询（等于、大于、包含）。但「这张图里是什么商品」这类问题没有精确字段可比——需要的是相似度。向量检索把「相似」变成了可计算的距离。
核心流程
建库：图片 → 特征提取模型 → 向量 → 写入向量库
查询：查询图 → 同一模型 → 向量 → 最近邻搜索 → Top-K 结果
关键点：建库和查询必须用同一个特征提取模型。换模型等于换了一套坐标系，旧向量全部失效。
常见索引与算法
- 暴力检索（Flat）：逐个比对，最准但最慢，适合小规模
- IVF（倒排文件）：先聚类再在最近的簇里找，速度与精度的折中
- HNSW：图索引，查询快，内存占用较高
- 乘积量化（PQ）：压缩向量省内存，精度有损失
端侧场景的约束
- 库规模小：单店商品库通常几百到几千条，不需要分布式
- 内存受限：嵌入式设备要控制索引体积
- 离线可用：不能依赖云端服务
- 一致性：底库更新要能即时生效
因此端侧常选轻量本地向量库（扁平或 IVF），而非云端大规模向量服务。
与以图搜图的关系
以图搜图是向量检索最直观的应用：用户给一张图，系统在库中找出最相似的商品/人脸/车辆。它是无条码商品识别、安防人物检索、跨镜追踪的共同底座。
火眼识别采用「检测 + 特征提取 + 本地向量检索」链路，见 火眼识别官网。