大语言模型擅长即时推理，却不记得私有知识。要让它回答企业文档、个人笔记等专属内容，常见做法是检索增强生成：先把资料切分、向量化存入数据库，回答时检索最相关片段再交给模型生成，从而把通用模型和企业Know-How连接起来。
向量检索的本质，是把文本编码成高维向量。语义相近的文本在向量空间里距离更近，查询时把问题也编码成向量，召回最近的若干片段，就能得到意思相关的内容，而非仅关键词匹配。这让搜索从字面对齐走向语义对齐，能理解同义改写与隐含意图。
工程上有几个要点：切分粒度、嵌入模型选择、检索召回数都会影响效果。切分太大噪声多，切分太小又容易断章取义；召回太少信息不足，召回太多则会让模型分心。需要结合业务反复调参才能稳定产出可靠结果。
向量数据库让大模型具备了可更新的外部记忆，是企业落地 AI 最务实的路径之一。它把模型知道什么与企业拥有什么解耦，既保护私有数据，又让回答更贴合真实业务，因此成为 RAG 应用不可或缺的基础设施。