大模型RAG优化之高可用向量数据库的“热更”难题与解决方案
在现代应用中，向量数据库被广泛用于图像搜索、推荐系统、语义搜索等场景。但与传统数据库不同，向量数据库的“热更”（即在不中断服务的情况下更新索引）是一个具有挑战性的问题。本文将深入探讨这一问题，对比主流向量数据库的热更方案，并给出 Qdrant 的代码示例。
1. 什么是向量数据库的“热更”？
想象一下，你正在运营一个大型电商平台，用户可以上传图片搜索相似商品。你的商品库每天都在更新：
- 新商品上架： 需要将新商品的特征向量添加到数据库。
- 旧商品下架： 需要从数据库中删除旧商品的特征向量。
- 商品信息更新： 商品的描述、图片等信息可能发生变化，需要更新对应的特征向量。
如果每次更新都需要停止搜索服务、重建索引，那用户体验将大打折扣。因此，“热更”指的是在不中断或最小化中断搜索服务的情况下，实时更新向量数据库的索引，使其反映最新的数据变化。
2. 为什么“热更”是个难题？
传统数据库（如关系型数据库）通常使用 B-tree 等数据结构来构建索引，这些数据结构支持高效的插入、删除和更新操作。但向量数据库的索引通常基于近