随着图像、视频、音频等非结构化数据日益成为信息主体，传统信息系统在处理多模态内容时面临理解与检索的瓶颈。本文首先围绕“向量检索”这一人工智能关键技术，探讨如何通过嵌入模型将多模态数据转化为特征向量，并利用轻量级向量（如sqlite-vec）实现高效的相似性检索新股配资门户网，接着系统介绍了从“以图搜图”到“以文搜图”的具体实现方法，最后对向量检索在检索增强生成（RAG）、视频内容搜索等复杂AI应用中的潜力进行了展望。
数据是信息系统的核心要素。在传统认知中，信息系统擅长处理规整的、存储在表格里的结构化数据，如学生信息、商品库存或交易记录。然而，感知技术的发展使我们正身处一个数据爆炸的时代，图像、视频、音频、文档等非结构化数据已成为信息的主流形式。面对这些多模态数据，传统信息系统往往力不从心。如何让信息系统“看懂”图片、“听懂”声音，并实现跨模态的智能检索？这正是多模态向量检索技术要解决的核心问题。
向量检索技术简介：
从“数据”走向“向量”
要理解多模态数据，可以借助嵌入（Embedding）模型与向量化技术的支持。我们可以将嵌入模型理解为一个高效的“翻译官”，它能将非结构化的原始数据（如“一只在草地上奔跑的金毛犬”这段文本，或一张对应的照片）转换成一串能够捕捉其核心特征的数字，即特征向量（如图1）。
图1
通过深度学习模型（如CLIP模型），语义相近的内容会被“翻译”成空间中距离相近的向量。例如，“狗”和“猫”之类的文本，在向量空间中的距离会非常接近，而相对来说，“狗”和“电脑”之类的距离，则比“动物”要远一些。一旦数据被转化为向量，复杂且模糊的语义相似度比较，就转变为精确且高效的向量空间距离计算，如余弦相似度。这些向量被存储在专门的向量数据库中，从而实现快速、可扩展的相似性搜索和分析，这便是向量检索的基石。
向量数据库的选择：
轻量化利器sqlite-vec
要实现多模态检索，需一个能够高效存储与检索向量的“仓库”。尽管市面上已有诸多专业向量数据库，但在教学环境、个人项目或资源受限的中小型应用中，它们的部署复杂度与资源消耗往往较高。考虑到高中信息技术课程普遍以SQLite作为数据库教学基础，sqlite-vec这一轻量级工具显得尤为适用。
sqlite-vec是一个专注于向量搜索、无任何外部依赖的SQLite扩展，支持跨平台使用。其使用方式延续了SQLite的简洁风格，开发者只需声明一个带有向量列的“虚拟表”，随后使用标准的INSERT INTO语句插入向量数据，再通过形如“SELECT…WHERE content_embedding MATCH?”的SQL语句执行相似性搜索。这种将强大功能封装于熟悉接口之下的设计，大幅降低了向量检索的开发门槛与技术复杂度。代码如图2所示。
图2
sqlite-vec支持pip安装，操作便捷。性能测试显示，相较于传统手动遍历计算向量相似度的方式，sqlite-vec在查询效率上具备压倒性优势，足以胜任中小规模检索场景的需求。
功能展示：
从“以图搜图”到“以文搜图”
要实现向量检索功能，首先需将原始数据转化为向量并存入数据库。sqlite-vec本身不提供向量化功能，需借助其他模型完成特征提取。作为中小学广泛使用的深度学习工具，XEduHub内置了多种向量化模型，成为sqlite-vec的理想搭档。XEduHub提供的向量特征提取任务如下表所示。
借助XEduHub的特征提取功能，我们可以轻松实现以图搜图、以文搜图之类的AI检索功能。
01
以图搜图
“以图搜图”指用户上传一张图片，系统即可在海量图库中快速找出视觉内容相似的图像。其实现流程如下：
首先，将图库中所有图像转换为特征向量并存入数据库；其次，将用户上传的查询图片也转换为特征向量；最后，在向量数据库中将查询向量与库中所有图像向量进行相似度比较，按相似度从高到低返回结果。测试代码如图3所示。
图3
02
以文搜图
“以文搜图”指用户通过输入文字描述来搜索相关图片。XEduHub所采用的CLIP模型属于多模态理解模型，能够将图像和文本映射到同一向量空间。因此，文本“一只在沙滩上的金毛犬”与其对应图片的向量在空间中位置邻近。
“以文搜图”的实现流程与“以图搜图”基本一致，区别仅在于：先使用CLIP的文本编码器将用户输入的自然语言转换为文本向量，随后在向量数据库中进行检索，找出语义最匹配的图片。
测试代码中仅需修改生成查询向量的部分（如图4）。
图4
更多AI功能的实现
向量检索的能力远不止于此，它还是实现更复杂AI应用的脚手架。
01
检索增强生成
检索增强生成是当前提升大语言模型回答质量、抑制其“幻觉”的关键技术。其核心思路是：在让大模型回答问题之前，先从外部知识库（如专业文档、教材）中检索出相关信息，并将这些信息作为上下文提供给模型，从而生成更准确的答案。在此过程中，向量检索扮演了“信息筛选员”的角色。例如，当用户提问“光合作用的主要阶段是什么？”时，系统会先将问题转化为向量，随后在向量化的知识库中快速检索出最相关的文档片段，再将这些片段交给大语言模型，生成精准且有据可依的答案。
02
视频画面搜索
视频可以视为一系列连续帧图像（可能包含音频）的集合。对视频内容的检索可借鉴图像检索的技术路径。我们可以使用视频描述或视频问答模型，对视频关键帧进行抽帧与理解，生成每一帧的特征向量，或对整个视频内容生成概括性向量。当用户搜索“视频中猫咪跳上沙发的片段”时，系统可将该文本转换为向量，并与视频关键帧的向量进行匹配，从而快速定位事件发生的时间点，实现精准的“视频画面搜索”。
总结
信息系统是信息技术课程的核心概念。在传统教学中，我们多聚焦于结构化数据的处理。然而，人工智能的快速发展，尤其是多模态理解与检索技术的成熟，正推动传统信息系统实现功能上的跨越。向量检索仅仅是这轮变革中的一环，它使信息系统进化为能够“理解”丰富世界、支持智能问答与跨模态搜索的“智能信息助手”。借助sqlite-vec等轻量化工具，这些前沿技术变得触手可及，更易融入教学实践。
本文作者：
谢作如
浙江省温州科技高级中学
文章刊登于《中国信息技术教育》
2025年第23期
引用请注明参考文献：
谢作如.当信息系统遇上人工智能之向量检索——多模态数据分析初体验[J].中国信息技术教育，2025（23）：80-82.
欢迎订阅
识别上方二维码即可订阅
华林优配提示：文章来自网络，不代表本站观点。
