向量存储与排序

在传统的精确匹配搜索（例如用户输入关键词，系统通过 LIKE 或者 = 查找数据库）之外，Zion 平台支持相似性搜索（语义搜索）。 系统可以将文本数据转化为高维的“向量（Vector）”，帮助您基于自然语言的语义和语境（而非字面字符）来查找最相关的数据。

这不仅是实现智能客服、知识库问答等大语言模型（LLM）检索增强生成（RAG） 场景的核心基础设施，也能大幅提升如“模糊药品搜索”、“非标准品搜索”等传统业务功能的体验。

1. 开启向量存储

要想让系统理解文本的“语义”，我们首先需要将传统的文本数据转换为“向量”。

1. 在左侧菜单栏进入 数据 界面。
2. 选中您要配置的表，如：knowledge_base 知识库表。
3. 找到需要进行语义搜索的 文本 字段（如：content 文档内容），点击设置。
4. 在字段设置面板中，打开 向量存储 开关。

开启后，每当您向该表新增或修改数据时，Zion 底层会自动调用向量化模型（Embedding Model），将该字段的纯文本转化为多维的浮点数数组并安全存储。

2. 向量排序（相似性搜索）

当数据被向量化后，我们就可以通过向量排序机制来检索它们。

工作原理：当用户输入一段查询文本时（如：“怎么重置密码？”），系统同样会将其转化为向量，然后与数据库中所有已保存的向量进行距离计算。距离越近（相似度越高），数据排序就越靠前。

Zion 支持两种主流的向量距离计算算法：

• COSINE（余弦距离）：衡量两个向量在方向上的差异。常用于比较文本的主题和语义。在搜索引擎、文本分类、文章推荐等场景下表现极佳（也是大语言模型 RAG 的默认首选）。
• EUCLIDEAN（欧氏距离）：衡量两个向量在空间中两点间的绝对直线距离。常用于要求精准绝对差异的科学计算。

2.1 在 AI 知识库中应用 (RAG)

这是向量检索最典型的场景。您可以将私有文档通过向量检索喂给大模型，让它基于您的资料进行问答：

1. 在 行为流 中添加 AI 节点（ZAI）。
2. 在该节点的 知识库 选项下，绑定开启了向量存储的数据源，如 knowledge_base 表。
3. 在数据源的排序与筛选配置区，添加 排序 规则。
4. 选择刚刚开启了向量存储的字段，距离算法选择 COSINE，并将 对比对象 绑定为用户的提问变量（即用户的输入参数）。

这样，AI 节点在生成回答前，就会自动优先读取库中语义最相关的几条数据。

2.2 在前端常规列表中应用

您同样可以在不使用 AI 节点的常规页面列表中使用语义搜索，提升用户体验：

1. 在页面上选中 列表 (List) 组件。
2. 为其绑定开启了向量存储的表数据源。
3. 在右侧属性面板的 数据查询 -> 排序 模块，点击添加排序。
4. 字段选择该向量字段，排序类型选择 向量，距离算法选择 COSINE，对比对象 绑定页面上输入框（搜索框）对应的页面变量。

用户在前端输入“头痛发热”，系统就能通过语义关联自动把“感冒灵”、“布洛芬”排在列表最前面，即使药名中完全不含“头痛”二字。