SQLite 向量搜索扩展 sqlite-vec

为什么需要它

当你已经在用 SQLite 存数据，却想给应用加上「按语义找相似内容」的能力时，传统做法是再引入一套向量数据库：Milvus、Qdrant、pgvector 之类的方案要么需要单独部署服务，要么要求你把数据从现有库里搬出去。多一套系统就意味着多一份运维、一份数据同步逻辑，以及嵌入式、边缘设备上难以承受的体积。对很多中小型应用来说，这个代价远大于问题本身。

它是怎么工作的

sqlite-vec 把向量搜索做成了一个 SQLite 可加载扩展（loadable extension），用纯 C 编写、零依赖。核心思路是：不引入新存储，而是把向量能力塞进你已经在用的 SQLite 里——有数据的地方直接做相似度检索。

关键能力包括：

• 三种向量类型：float 用于精度敏感的场景，int8 做量化压缩、显著降低存储占用，binary 适合汉明距离类场景。
• 随 SQLite 到处运行：Linux、macOS、Windows、浏览器里的 WASM 环境，甚至树莓派都能跑，同一套 SQL 代码无需改动。
• 生态打通：通过 Python（pip）、Node.js（npm）、Datasette、sqlite-utils 等常见工具链加载，不改变你现有的开发习惯。

典型流程是：建一张存向量的虚拟表 → 写入 embedding → 用相似度查询按 KNN 取回结果，全部在 SQL 语句内完成。

适用边界

它不是替代品，而是补位。单机、中小规模的向量检索（比如给现有产品加个语义搜索框）正是它的舒适区；但当数据量达到需要分布式分片、专用索引结构来换取毫秒级响应时，你仍然需要专业向量数据库。另外它嵌入 SQLite 进程，能扛多大并发取决于 SQLite 本身。先确认规模，再决定是否上它。