文章目录D10 | 向量数据库入门：Chroma / Milvus / pgvector写在前面一、向量是什么？把文字变成数字1.1 神奇之处：语义相近的向量，数字也接近1.2 Embedding 模型：文字 → 向量二、向量数据库 vs 传统数据库2.1 传统数据库的"找相似"2.2 向量数据库的"找相似"2.3 6 维对比表2.4 类比：向量数据库 ≈ "高维版的 Elasticsearch"三、3 大向量库横评3.1 Chroma：轻量首选（嵌入式）3.2 Milvus：生产级首选3.3 pgvector：已有 PG 的首选3.4 6 维对比四、相似度怎么算：余弦相似度 1 行代码4.1 三种相似度算法4.2 实战：手写一个"最简向量检索"五、5 分钟跑通 Chroma（最常用）5.1 安装5.2 完整代码5.3 跑出来什么样5.4 高级功能六、5 分钟跑通 Milvus（生产级）6.1 启动 Milvus（Docker）6.2 安装 Python SDK6.3 完整代码6.4 Milvus 高级功能七、5 分钟跑通 pgvector（已有 PG）7.1 安装扩展7.2 Python SDK7.3 完整代码7.4 pgvector 优势：业务表 + 向量表 JOIN八、选型决策树8.1 选型 3 问8.2 迁移路径九、向量数据库的坑（提前避）坑 1：维度不匹配坑 2：未归一化导致距离异常坑 3：检索结果不稳定坑 4：冷启动慢十、这一篇的小结10.1 5 个 Key Takeaway10.2 决策树10.3 思考题下篇预告D10 | 向量数据库入门：Chroma / Milvus / pgvector系列：《60 天 AI 全栈转型：传统开发者的大模型工程师之路》（S1 模块 3 · RAG 实战 ②）作者：刘一说（haohaizi_liu）| 15 年开发管理经验配套代码：https://gitcode.com/road-emblem/60-days-ai-stack写在前面上一篇我们讲了 RAG 的"为什么"——AI 不懂公司业务，3 种治法对比，完整架构图。RAG 的核心动作就两个：把资料转成"向量"塞进数据库用户问问题时，找"最像"的向量 → 拼 Prompt → 喂给 AI那"向量"是什么？"最像"怎么算？这就要靠向量数据库。这一篇我们把向量数据库讲透。读完你会拿到：看清"向量"到底是什么（不是玄学）看懂"相似度检索"怎么算（余弦相似度 1 行代码）3 大主流向量库横评：Chroma / Milvus / pgvector5 分钟跑通 Chroma 完整流程选型决策树（按数据量/查询量/运维成本）D9 我们讲了 RAG 概念和架构，D10 把"存储层"