本文介绍云数据库 MySQL 版提供的向量检索特性的相关信息。

支持版本

MySQL 8.0 版本，且内核小版本为 MySQL 8.0.32_20250815 及以上。

MySQL 8.4 版本，且内核小版本为 MySQL 8.4.7_20260415 及以上。

背景

随着人工智能和机器学习技术的快速发展，向量数据在各类智能应用场景中发挥着愈发重要的作用。在图像识别、自然语言处理、推荐系统等人工智能应用领域，需将非结构化数据（如图像、文本、音频）转化为高维向量，以便进行存储和检索。传统数据库缺乏对原生向量数据类型的支持，开发者仅能采用 TEXT 或 BLOB 类型存储向量的字符串表示形式。此方式不仅存储效率欠佳，而且无法开展高效的向量运算。

云数据库 MySQL 版通过引入 MySQL 9.0 原生 VECTOR 数据类型，为向量数据的存储提供了解决方案。

原生向量存储：VECTOR 类型采用 4 字节单精度浮点数存储向量的每个维度，支持 1~16383 维的向量数据。

SQL 标准兼容：完全兼容标准 SQL 语法，开发者可以使用熟悉的 SQL 语句进行向量数据的增删改查操作。

特性介绍

VECTOR 数据类型

VECTOR 数据类型用于存储固定维度的向量数据：

语法	说明	维度范围	存储格式
VECTOR(N)	N 维向量类型	1~16383	4 字节单精度浮点数

向量基本函数

函数名	语法	说明	示例
TO_VECTOR/ STRING_TO_VECTOR	TO_VECTOR(text) STRING_TO_VECTOR(text)	将字符串转换为向量类型	TO_VECTOR('[1,2,3,4]') STRING_TO_VECTOR('[1,2,3,4]')
FROM_VECTOR/ VECTOR_TO_STRING	FROM_VECTOR(vector) VECTOR_TO_STRING(vector)	将向量类型转换为可读字符串	FROM_VECTOR(vector_column) VECTOR_TO_STRING(vector_column)
VECTOR_DIM	VECTOR_DIM(vector)	获取向量的维度	VECTOR_DIM('[1,2,3,4]')

向量数学运算函数

函数名	语法	说明
VECTOR_NORM	VECTOR_NORM(vector)	计算向量的 L2 范数（欧几里得长度）
VECTOR_NORMALIZE	VECTOR_NORMALIZE(vector)	向量归一化，使模长为 1
VECTOR_ADD	VECTOR_ADD(vector1, vector2, ...)	向量逐元素加法
VECTOR_SUB	VECTOR_SUB(vector1, vector2, ...)	向量逐元素减法
VECTOR_MUL	VECTOR_MUL(vector1, vector2, ...)	向量逐元素乘法（Hadamard 积）

向量距离计算函数

函数名	语法	说明
L1_DISTANCE	L1_DISTANCE(vector1, vector2)	曼哈顿距离
L2_DISTANCE/ EUCLIDEAN_DISTANCE	L2_DISTANCE(vector1, vector2) EUCLIDEAN_DISTANCE(vector1, vector2)	欧几里得距离
L2_SQUARED_DISTANCE	L2_SQUARED_DISTANCE(vector1, vector2)	平方欧几里得距离
COSINE_DISTANCE	COSINE_DISTANCE(vector1, vector2)	余弦距离
INNER_PRODUCT	INNER_PRODUCT(vector1, vector2)	内积（点积）
NEGATIVE_INNER_PRODUCT	NEGATIVE_INNER_PRODUCT(vector1, vector2)	负内积
SPHERICAL_DISTANCE	SPHERICAL_DISTANCE(vector1, vector2)	球面距离注意该函数要求输入参数为单位向量，否则计算结果为 0。使用前请先使用 VECTOR_NORMALIZE 函数对向量进行归一化处理。

使用说明及示例

基础向量操作

创建包含向量列的表

-- 创建商品特征表，存储4维的商品向量特征
CREATE TABLE product_features (
product_id INT PRIMARY KEY,
product_name VARCHAR(255),
category VARCHAR(100),
feature_vector VECTOR(4),
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB;

插入向量数据

-- 插入商品向量数据
INSERT INTO product_features (product_id, product_name, category, feature_vector)
VALUES
(1, '手机', '电子产品', TO_VECTOR('[0.1, 0.2, 0.3, 0.4]')),
(2, '手机', '电子产品', TO_VECTOR('[0.15, 0.25, 0.28, 0.38]')),
(3, '手机', '电子产品', TO_VECTOR('[0.12, 0.22, 0.32, 0.42]'));

查询和显示向量数据

-- 查询向量数据（以可读格式显示）
SELECT
product_id,
product_name,
FROM_VECTOR(feature_vector) AS readable_vector
FROM product_features
WHERE product_id = 1;

返回示例如下：

+------------+--------------+---------------------------------------------------+
| product_id | product_name | readable_vector |
+------------+--------------+---------------------------------------------------+
| 1 | 手机 | [1.00000e-01,2.00000e-01,3.00000e-01,4.00000e-01] |
+------------+--------------+---------------------------------------------------+

向量数学运算

向量归一化

-- 对商品特征向量进行归一化处理
SELECT
product_id,
product_name,
VECTOR_NORM(feature_vector) AS original_norm,
FROM_VECTOR(VECTOR_NORMALIZE(feature_vector)) AS normalized_vector
FROM product_features;

返回示例如下：

+------------+--------------+--------------------+---------------------------------------------------+
| product_id | product_name | original_norm | normalized_vector |
+------------+--------------+--------------------+---------------------------------------------------+
| 1 | 手机 | 0.5477225697477194 | [1.82574e-01,3.65148e-01,5.47723e-01,7.30297e-01] |
| 2 | 手机 | 0.5547972592143449 | [2.70369e-01,4.50615e-01,5.04689e-01,6.84935e-01] |
| 3 | 手机 | 0.5844655535095068 | [2.05316e-01,3.76412e-01,5.47509e-01,7.18605e-01] |
+------------+--------------+--------------------+---------------------------------------------------+

相似性搜索

基于余弦相似度的商品推荐

-- 查找与指定商品最相似的5个商品
SET @target_vector = (SELECT feature_vector FROM product_features WHERE product_id = 1);

SELECT
p.product_id,
p.product_name,
p.category,
COSINE_DISTANCE(p.feature_vector, @target_vector) AS similarity_score
FROM product_features p
WHERE p.product_id != 1
ORDER BY similarity_score ASC
LIMIT 5;

返回示例如下：

+------------+--------------+--------------+------------------------+
| product_id | product_name | category | similarity_score |
+------------+--------------+--------------+------------------------+
| 3 | 手机 | 电子产品 | 0.00039043972636043645 |
| 2 | 手机 | 电子产品 | 0.009461057988503607 |
+------------+--------------+--------------+------------------------+

基于欧几里得距离的近邻搜索

-- 查找距离目标向量最近的商品
SELECT
product_id,
product_name,
L2_DISTANCE(feature_vector, TO_VECTOR('[0.1, 0.2, 0.3, 0.4]')) AS distance
FROM product_features
ORDER BY distance ASC
LIMIT 10;

返回示例如下：

+------------+--------------+----------------------+
| product_id | product_name | distance |
+------------+--------------+----------------------+
| 1 | 手机 | 0 |
| 3 | 手机 | 0.039999976211686064 |
| 2 | 手机 | 0.07615773363159213 |
+------------+--------------+----------------------+

向量聚合分析

向量相似度矩阵计算

-- 计算所有商品之间的相似度矩阵
SELECT
p1.product_id AS product1_id,
p1.product_name AS product1_name,
p2.product_id AS product2_id,
p2.product_name AS product2_name,
COSINE_DISTANCE(p1.feature_vector, p2.feature_vector) AS cosine_similarity,
L2_DISTANCE(p1.feature_vector, p2.feature_vector) AS euclidean_distance
FROM product_features p1
CROSS JOIN product_features p2
WHERE p1.product_id < p2.product_id
ORDER BY cosine_similarity ASC;

返回示例如下：

+-------------+---------------+-------------+---------------+------------------------+----------------------+
| product1_id | product1_name | product2_id | product2_name | cosine_similarity | euclidean_distance |
+-------------+---------------+-------------+---------------+------------------------+----------------------+
| 1 | 手机 | 3 | 手机 | 0.00039043972636043645 | 0.039999976211686064 |
| 2 | 手机 | 3 | 手机 | 0.006352599451149077 | 0.07071067074295588 |
| 1 | 手机 | 2 | 手机 | 0.009461057988503607 | 0.07615773363159213 |
+-------------+---------------+-------------+---------------+------------------------+----------------------+

注意事项

VECTOR 列当前版本暂不支持用作主键、外键、唯一键或分区键。

VECTOR 列不能用作直方图的来源。

VECTOR 类型只支持相等性比较（=，!=），不支持大小比较（>，<，>=，<=）

VECTOR 类型支持和不支持的函数如下：

VECTOR 值可以和 MySQL 的字符串函数 BIT_LENGTH、CHAR_LENGTH、HEX、LENGTH 以及 TO_BASE64 一起使用，其他字符串函数不接受 VECTOR 类型作为参数。

VECTOR 可以作为加密函数 AES_ENCRYPT、COMPRESS、MD5、SHA1 和 SHA2 的参数。其他加密函数不支持 VECTOR 类型参数。

VECTOR 可以作为 CASE 运算符及相关的流程控制函数（如 COALESCE、IFNULL、NULLIF 和 IF）的参数。

VECTOR 可以作为 CAST (expression AS BINARY) 的参数，结果是一个内容与 VECTOR 参数相同的二进制字符串。但通过 CAST 转换为 VECTOR 不被支持，作为替代，可以使用 STRING_TO_VECTOR / TO_VECTOR 将合法的向量字符串转换为 VECTOR。

VECTOR 数据类型不能作为除 COUNT [DISTINCT] 外的聚合函数或窗口函数的参数。

VECTOR 不能作为以下类型函数或操作符的参数：

数值函数和操作符

时间函数

全文搜索函数

XML 函数

位函数（如按位与 AND、按位或 OR）

JSON 函数