首先非常感谢 InfoQ 的邀请！ TiDB 社区应用创新负责人霍昊 在 QCon 北京站大会上能和大家见面。在 4 月 12 日下午的 Al+everythig/基础大模型 展区 Mini Open Talk 环节中，霍昊老师和大家聊了聊 基于 TiDB Vector 的 RAG AI 聊天机器人 的开发与应用。
资料下载：
TiDB Database for MySQL Users to Build AI Apps.pptx (36.9 MB)
先看看 Demo！
小助手 Ask TiDB 入口： tidb.ai
“Ask TiDB” 背后的架构
什么是向量搜索
与传统的基于关键词的搜索不同，向量搜索基于理解数据的含义和上下文的原理运作。它将复杂的数据——如文本、图像或音频——转换为数值向量嵌入。这些嵌入使得数据库能够基于语义理解进行搜索，而不仅仅是基于精确的单词匹配。这种方法对于处理大量非结构化数据的 AI 应用程序至关重要，在这里，精确度和上下文是关键。
向量搜索不仅仅是关于更智能的数据解释；它也关乎性能和可扩展性。它优化了查询效率，使得能够更快速、更准确地在大型、复杂的数据集中进行搜索。通过在 TiDB Serverless 中添加向量搜索，我们增强了其处理AI和机器学习工作负载的能力。这使得它成为 MySQL+AI 生态系统中开发者的有力工具。
TiDB Vector 架构
TiDB Vector 是基于 TiDB Serverless 的向量搜索功能，它将传统数据库的强大功能与先进的向量搜索能力相结合。这一功能的引入，使得开发者能够在熟悉的 MySQL 环境中，直接处理和查询向量数据。
架构特点
- 水平扩展与分布式计算：TiDB Vector 继承了 TiDB Serverless 的分布式架构，能够高效地处理大规模数据集。
- 向量数据类型：通过引入新的数据类型，TiDB Vector 能够在数据库中直接存储和索引向量嵌入。
- 相似性搜索索引：采用如 Hierarchical Navigable Small World (HNSW) 等算法，优化了向量数据的存储和检索效率。
- SQL集成：开发者可以使用标准的 SQL 语句来执行向量搜索，无需额外的编程语言或工具。
基于 TiDB Vector 的 RAG AI 聊天机器人的探索
RAG是一种结合检索和生成的 AI 模型，它能够根据用户的输入先从向量数据库里检索相关信息，再将检索出来的信息，和问题一起发送给大模型，最终生成连贯、准确的回答。在TiDB Vector 的发布之后，我们也基于 TiDB Vector 开发了一款 RAG（Retrieval-Augmented Generation）AI Convesational Search 的应用。
示例地址：https://tidb.ai
（有兴趣的同学可以去试试，完全开源，因为正在开发中，会有一些 bug 存在的情况）
另外，我们也总结出：TiDB 是 MySQL 用户构建 AI 应用所需的唯一数据库。
-
最简架构：全能数据库，仅需 MySQL 技能
-
避免了重复操作：在传统的数据库解决方案中，开发者往往需要在不同的数据库之间同步数据，这不仅需要编写额外的同步脚本，还会导致网络I/O的开销和存储空间的重复。TiDB通过其内置的向量搜索功能，避免重复操作。
-
单轮对话 CRUD 优于多轮对话
-
免费的 AI 应用数据库，最高 25 GiB 存储
目前已开放 Waitlist 体验名单！欢迎尝鲜使用！
TiDB Vector 体验等待申请：Built-In Vector MySQL Database
**