Vector Search 2.0 簡介

1. 簡介

上次更新時間：2026 年 3 月 4 日

向量搜尋或向量資料庫已成為現代 AI 系統的基礎技術。將資料表示為擷取語意的高維度嵌入，可支援各種功能，包括瞭解使用者意圖的語意搜尋、顯示相關內容的推薦引擎、檢索增強生成 (RAG) 和 AI 代理程式，以及以真實且最新的資訊為基礎生成 LLM 回覆。包括 Google 在內的主要科技公司，每天都會大規模運用這項技術，處理數十億筆搜尋、建議和基礎資料。

不過，建構可用於正式環境的向量搜尋仍是一大挑戰。為解決這個問題，Google 最近發布了 Vertex AI Vector Search 2.0，這項全代管服務可消除設計和運作上的複雜性，讓團隊不再受到阻礙。

向量搜尋比想像中更困難

概念很簡單，實作方式？這時情況就會變得複雜。

生成嵌入。向量搜尋需要將資料轉換為數值表示法 (嵌入)，藉此掌握語意。也就是說，您需要呼叫 Embedding API、批次處理要求、處理速率限制，以及儲存向量。每次資料變更時，您都會重新執行管道。您必須先建構基礎架構，才能開始搜尋。

特徵儲存庫。許多向量搜尋產品只提供向量索引，可針對每次搜尋傳回項目 ID 清單。如要向使用者提供完整的搜尋結果，您需要使用個別的特徵商店或鍵值商店，傳遞這些 ID 來擷取實際的商品資料 (名稱、價格、類別、圖片網址，以毫秒為單位)。在許多情況下，你還需要對項目特徵 (例如價格、類別或供應情形) 實作複雜的篩選條件。也就是說，您需要建構及維護兩項不同的服務：一項用於向量搜尋，另一項用於資料擷取和篩選。每次更新和查詢都需要存取及同步處理這兩個系統。

索引調整。如要使用數百萬個項目建構近似最近鄰 (ANN) 索引，您需要做出專家決策，才能獲得最佳效能：每個索引節點應保留多少項目？每次查詢應掃描多少百分比的索引，才能在召回率和延遲之間取得平衡？哪個分片大小符合您的資料集？這些機器學習基礎架構決策與實際產品無關。

混合型搜尋。語意搜尋擅長瞭解意圖，例如使用者搜尋「適合海灘的男裝」時，系統會找出「海灘褲」。但如果產品代碼沒有語意，例如「SKU-12345」，系統就會無法辨識，如果嵌入模型從未見過新創字詞或品牌名稱，也會難以辨識。關鍵字搜尋可以處理這些情況，但會遺漏語意脈絡。使用者需要這兩者，因此混合型搜尋已成為不可或缺的功能。但建構這類應用程式並不容易。除了向量搜尋引擎，您還需要具備權杖化、反向索引或稀疏嵌入的全文搜尋引擎。然後您必須在兩個引擎上執行平行查詢、將不同的評分系統標準化，並使用倒數排名融合等技術合併結果。

Vector Search 2.0 如何解決這些問題

Google Cloud 的 Vector Search 2.0 可直接解決上述各項挑戰：

在本研討會中，我們將使用 TheLook 電子商務資料集中的 10,000 項時尚產品，建構全代管的混合型搜尋功能。

什麼是 Vector Search 2.0？

向量搜尋 2.0 是 Google Cloud 的全代管、自動調整向量資料庫，採用 Google 的 ScaNN (可擴充的最近鄰) 演算法，這項技術也用於 Google 搜尋、YouTube 和 Google Play。

主要競爭優勢

從零索引到十億規模的索引：使用 kNN (k 近鄰) 立即開始開發，索引時間為零，然後使用 Google 規模的 ANN (近似近鄰) 索引，將向量擴展到數十億個，延遲時間為毫秒級，用於正式環境 - 全都使用相同的 API 和資料集
統一資料儲存：同時儲存向量嵌入和使用者提供的資料 (不需另外使用資料庫或特徵儲存區)
自動嵌入：使用 Vertex AI 嵌入模型自動生成語意嵌入
內建全文搜尋：提供內建全文搜尋功能，不必自行生成稀疏嵌入。您也可以選擇搭配向量搜尋功能使用自己的稀疏嵌入 (例如 BM25、SPLADE)，進行自訂的全文搜尋。
混合型搜尋：在單一查詢中結合語意和關鍵字/權杖搜尋，並使用智慧型 RRF 排名
自動調整：自動最佳化效能，不需手動設定
企業適用：內建擴充性、安全性和法規遵循功能

核心架構

Vector Search 2.0 包含三個主要元件：

集合：強制執行結構定義的資料容器
資料物件：含有資料和向量嵌入的個別項目
索引：使用 kNN 即時搜尋資料中的鄰近項目。如要進行低延遲的最鄰近搜尋，請使用 ANN 索引。

快速上手：立即使用 kNN，無需設定，非常適合開發和小型資料集
大規模投入生產：使用 ANN 索引，透過 ScaNN 演算法支援數十億筆資料的搜尋，延遲時間不到 1 秒

讓我們透過實作範例，深入瞭解每個概念！

2. 建構 TheLook 時尚搜尋功能

假設有位顧客造訪你的電子商務網站，並輸入「適合海灘度假的可愛單品」。如果使用傳統關鍵字搜尋，他們會得到零結果，因為目錄中沒有任何產品包含這些確切字詞。他們感到沮喪，於是離開。

現在想像一下不同的體驗。同樣的查詢會傳回連身裙、泳衣外罩和飄逸短褲，這些產品完全符合顧客的期望，即使名稱中沒有「海灘」一詞也一樣。這就是向量搜尋帶來的體驗。

為示範 Vector Search 2.0 如何實現這項功能，我們將使用 TheLook 建構產品搜尋系統。這是一個真實的電子商務資料集，包含 26 個類別的 30,000 件時尚商品。每項產品都有屬性，就像實體目錄一樣：

我們將解決的搜尋挑戰

實際顧客的搜尋方式與資料庫預期的不同。他們會以思考方式搜尋：

Vector Search 2.0 採用統一架構，可解決上述所有四項挑戰。

Vector Search 2.0 資料架構

開始撰寫程式碼前，請先瞭解 Vector Search 2.0 如何整理資料。這項架構以三個重要概念為中心：集合、資料物件和索引。

集合會定義資料結構，也就是您要儲存的欄位，以及應嵌入的欄位。資料物件是儲存在集合中的實際項目 (產品、文件、圖片)，每個項目都有自己的資料和自動產生的向量，或您自己的向量。索引可大規模最佳化查詢，在數十億個項目中實現毫秒級延遲。您可以在開發時不使用索引，完全不需要設定，然後在需要生產效能時新增索引。

建構 TheLook 搜尋功能：逐步說明

現在來建構可用的產品搜尋系統。我們將從 TheLook 載入 10,000 項時尚商品、啟用自動嵌入，並執行語意、關鍵字和混合搜尋，所有作業都只需約 50 行程式碼。

開啟筆記本：Introduction to Vertex AI Vector Search 2.0

混合型搜尋的實際應用

Vector Search 2.0 支援三種搜尋模式：語意搜尋 (透過嵌入瞭解意圖)、文字搜尋 (關鍵字比對) 和混合型搜尋 (結合兩者)。混合搜尋功能可為大多數用途提供最佳結果，例如使用者搜尋「海灘男裝」時，語意搜尋功能會找出「海灘短褲」，而文字搜尋功能則可確保不會遺漏產品代碼等完全相符的結果。

工作類型嵌入的重要性

請注意上述程式碼中的 task_type 參數：建立產品索引時為 RETRIEVAL_DOCUMENT，搜尋時為 QUESTION_ANSWERING。這並非隨機做法，而是讓嵌入模型像建議模型一樣運作，藉此提升搜尋品質的重要技術。

大多數向量搜尋應用情境都依賴簡單的相似度比對，但由於問題和答案在嵌入空間中本質上並不相似，因此這類比對通常無法提供生產等級的搜尋品質。「適合海灘度假的服裝」和「海灘短褲」的語意不同，但應視為相符。工作類型嵌入可解決這個問題，做法是針對非對稱關係最佳化嵌入模型：文件和查詢的嵌入方式不同，因此建立的嵌入空間會將相關項目聚集在一起，進而新增推薦功能，根據使用者意圖尋找相關項目。

與一般嵌入相比，使用特定工作嵌入可提升 30% 至 40% 的搜尋品質。如要深入瞭解相關運作方式，請參閱 Task Type Embedding 筆記本。

從零到十億規模

如要大規模進行生產，Vector Search 2.0 提供 ANN (近似最鄰近項目) 索引，採用 Google 的 ScaNN (可擴充最鄰近項目) 演算法，這項技術也用於 Google 搜尋、YouTube 和 Google Play。ANN 會犧牲極少量的準確率 (約 99%)，換取大幅提升的速度，即使有數十億個向量，延遲時間仍低於 10 毫秒。

完整圖像

我們只花了五個步驟 (步驟 1 到 4 大約只花了 5 分鐘)，就建構出可供正式上線的產品搜尋系統：

向量搜尋 2.0 可消除基礎架構的複雜性，通常這類複雜性會減緩向量搜尋的採用速度。你專注於產品，平台則負責嵌入、建立索引和擴展。

3. 恭喜

恭喜，您已成功使用 Vector Search 2.0 建構第一個應用程式！