企业官网建设流程全解析

sqlite-vector是一款专为 SQLite 打造的高效向量搜索（Vector Search）扩展，配合 SQLite AI 生态，你可以在手机、浏览器、边缘设备或服务器上，零预索引、低内存地构建属于自己的智能向量数据库——无需额外的向量数据库服务器。

什么是 SQLite-Vector？把向量搜索装进 SQLite

传统做法是给 AI 应用再部署一个独立的向量数据库（FAISS、Milvus 之类），但对于嵌入式和边缘场景，多一个服务就多一份运维成本。

sqlite-vector 的思路完全不同：它以 SQLite 扩展的形式存在，让你直接在普通 SQLite 表里：

• 用普通BLOB列存储向量，不需要虚拟表
• 插入即可查，不需要构建 HNSW/DiskANN 索引，没有耗时数小时的预处理
• 默认仅约30MB 内存，支持 iOS、Android、Windows、Linux、macOS 全平台
• 支持 Float32 / Float16 / BFloat16 / Int8 / UInt8 / 1Bit 及 TurboQuant 2/3/4-bit 低比特量化
• 距离函数全部用 C 实现并按 SIMD 加速（SSE2 / AVX2 / AVX512 / NEON / RVV），可离线运行

它的核心实现在 src/sqlite-vector.c，各平台的 SIMD 距离内核分别位于 src/distance-neon.c（ARM 移动端）和 src/distance-avx512.c 等文件中，这也是它在手机和服务器上都能保持高性能的原因。

为什么它是边缘 AI 的理想选择？

对Edge AI场景，这意味着：📱 数据不出设备（隐私友好）、🔌 完全离线可用、⚡ 实时响应。

快速上手：4 行 SQL 完成向量检索

Python 用户一条命令即可安装（详见 packages/python/README.md），其他平台可下载预编译扩展或按语言引入（Swift Package、Android Gradle、Flutter pub 均有官方封装）。

加载扩展后，整个工作流就是普通 SQL：

-- 1. 建普通表，向量存 BLOB 列 CREATE TABLE docs ( id INTEGER PRIMARY KEY, embedding BLOB, title TEXT ); -- 2. 初始化向量列（384 维，余弦距离） SELECT vector_init('docs', 'embedding', 'type=FLOAT32,dimension=384,distance=COSINE'); -- 3. 插入数据后量化（INT8 是余弦场景的推荐档位） SELECT vector_quantize('docs', 'embedding', 'qtype=INT8'); -- 4. 相似度 Top-20 检索 SELECT d.title, v.distance FROM docs AS d JOIN vector_quantize_scan('docs', 'embedding', ?, 20) AS v ON d.id = v.rowid;

支持的距离度量包括 L2、平方 L2、L1、Cosine、Dot 和 Hamming（仅 1bit），完整函数清单见 API.md。

量化与 TurboQuant：30MB 内存扫百万向量的秘密

向量越大越占内存，量化（Quantization）就是压缩之道。vector_quantize()会构建一个紧凑索引，扫描时直接读它而非原始向量；配合vector_quantize_preload()还能再快 4~5 倍。原理与召回率（Recall）评估方法详见 QUANTIZATION.md。

官方基准测试（100 万条 768 维向量、余弦距离、k=20，Apple M5 Pro / NEON，数据来自 test/benchmark.c）：

用 3 倍延迟换 25 倍内存，召回率不变——这正是为 RAM 有限的移动设备准备的模式。

此外，TurboQuant提供 2/3/4-bit 极低比特表示：qtype=TURBO,qbits=4时索引体积仅为原始 Float32 的约 13%。在真实数据集（Fashion-MNIST）上的复现脚本 test/recall_turboquant_real.py 显示，4-bit 档可达 3.4 倍加速且召回率 0.948；2-bit 档虽仅 0.596 召回，但 8.78 倍加速，适合作为粗筛。

SQLite AI 生态：从数据层到智能层的完整拼图

sqlite-vector 只是 README.md 中所述 SQLite AI 技术栈的一块拼图，整个生态分为三层：

🗄️ 数据层

• sqlite-vector—— SQLite 内的 ANN 向量搜索（本项目）
• sqlite-sync—— 离线优先的跨设备 CRDT 同步
• sqlite-columnar—— 面向 OLAP 的列式分析
• sqlite-js—— 用 JavaScript 编写 SQLite 函数

🤖 AI 层

• sqlite-ai—— 端侧 LLM 推理与 Embedding 生成
• sqlite-agent—— 运行在 SQLite 内的自主 AI Agent
• sqlite-memory—— 为 Agent 提供持久化、可检索的记忆
• sqlite-mcp—— 直接在 SQL 中调用 MCP 工具

☁️ 托管平台：SQLite Cloud 提供带同步、认证、边缘函数与多区域的托管服务，并附免费额度。

组合起来就是完整的端侧智能链路：sqlite-ai 在设备上把文本/图片转成向量 → sqlite-vector 存入本地 SQLite 并检索 → sqlite-memory 让 Agent 记住上下文 → sqlite-agent 执行任务，全程离线、数据不出设备。

实战示例：10 分钟搭建本地语义搜索

仓库内置了一个开箱即用的语义搜索演示（examples/semantic_search/）：使用 sentence-transformers 的本地 Embedding 模型（默认 all-MiniLM-L6-v2，384 维）+ sqlite-vector 余弦检索，对 examples/semantic_search/samples/ 里的 20 篇样例文档建索引，然后用自然语言提问。

pip install -r requirements.txt python semsearch.py --repl

在交互式界面中：

semsearch> index ./samples -- 索引文档目录 semsearch> search "neural network architectures for image recognition"

核心逻辑见 examples/semantic_search/semsearch.py，这是一个典型的 RAG / 语义搜索（Semantic Search）最小实现。

总结：为什么现在就该关注它

• 简单：普通表 + BLOB 列 + 几条 SQL，没有服务、没有索引构建阶段
• 省资源：默认 30MB 内存，TurboQuant 最低把索引压到原始体积的 7%
• 够快：SIMD 全平台优化，百万向量单查询 30~110ms 量级
• 面向未来：与 SQLite AI 生态拼合，构成边缘 AI 时代完整的端侧向量数据库方案

无论你是做端侧 RAG、本地语义搜索，还是 Agent 记忆系统，sqlite-vector 都是目前最轻量的选择。