/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}
1、总览
- 关系数据库 (RDBMS)：存结构化表格数据，擅长事务、关联查询；
- 非关系数据库 (NoSQL)：泛指不使用表结构的数据库，分文档 / 键值 / 列存储等，主打高扩展；
- 全文检索库：针对文本关键词做分词、倒排索引，快速检索包含某个词语的文档；
- 向量数据库：存储向量 Embedding，做相似度检索（语义匹配，不是关键词匹配）。
2、误区
先厘清一个容易混淆的点：这四类并不在同一个分类轴上。
- 关系型 vs 非关系型：是"数据怎么组织、怎么存"的维度（存储模型）
- 全文检索 vs 向量检索：是"怎么把想要的东西找出来"的维度（检索方式）
所以它们不是互斥的四个格子——一个数据库完全可以身兼多职。比如 PostgreSQL 是关系型，但加上扩展后能同时干全文检索和向量检索；Elasticsearch 本质是全文检索引擎，同时也存文档（文档型 NoSQL），现在也支持向量。理解这一点，选型时才不会陷入"四选一"的误区。
3、关系型数据库（MySQL、PostgreSQL、Oracle）
3.1 数据模型
二维表（行 + 列），固定 Schema，表之间通过外键关联。
例：用户表 (id,name,phone)，订单表 (order_id,user_id,amount)
3.2 擅长场景
强事务 ACID、多表 JOIN、复杂统计、数据一致性要求高：订单、财务、用户基础信息。
3.3 查询方式
SQL，按字段条件过滤、关联、聚合。
3.4 短板
- 表结构修改麻烦；
- 海量数据、高并发写入水平扩展成本高；
- 文本模糊搜索性能差；
- 无法原生做语义相似度。
3.5 注意
PostgreSQL 属于关系库，但可以装插件支持全文检索、向量检索。
4、非关系数据库 NoSQL（MongoDB、Redis、HBase、Cassandra）
4.1 4个子类型
NoSQL 是一大类，不是单一数据库，包含 4 个子类型
4.2 数据模型
无固定表结构，无外键。
4.3 擅长场景
高并发读写、数据结构经常变动、海量数据横向扩容。
4.4 短板
- 大多牺牲强事务；
- 多表关联查询弱；
- 不擅长关键词全文检索，更不擅长语义向量检索。
4.5 注意
MongoDB 也内置简单向量检索，属于附加能力，不是原生定位。
5、全文检索数据库（Elasticsearch、Solr）
5.1 数据模型
文档（JSON），核心是倒排索引。
把文本拆成词语（分词），记录每个词出现在哪些文档。
5.2 擅长场景
关键词检索：网页搜索、商品搜索、日志检索、文档内容检索。
例子：搜 “苹果手机”，找出标题 / 描述里包含这四个字的商品。
5.3 查询特点
基于词匹配，只能匹配字面关键词；不懂语义。
搜 “手机”，不会自动返回 “移动电话”；必须同义词词典扩展。
5.4 短板
- 不适合强事务；
- 不适合大量更新；
- 无法直接做语义相似度。
6、向量数据库（Milvus、Qdrant、PGVector）
6.1 数据模型
存储向量 Embedding + 原始元数据。 文本 / 图片 / 音频通过模型转为多维浮点数向量。
"猫" → [0.12,0.34,-0.05,…768 维]
6.2 擅长场景
语义相似度检索，不是关键词匹配。
输入：“毛茸茸会抓老鼠的动物”，返回 “猫” 的向量，哪怕文档里没有 “毛茸茸” 三个字。
6.3 查询方式
相似度计算（余弦距离、欧氏距离），找向量空间里距离最近的 TopN。
短板
- 不适合复杂事务、多表 JOIN；
- 不适合纯关键词检索；
- 向量入库、索引构建有开销。
7、对比表
| 关系型 RDBMS | B + 树 | 结构化字段、关联、事务 | MySQL、PG | ACID、JOIN、强一致性 |
| NoSQL | 多种（哈希、LSM 等） | 灵活数据、高并发 | MongoDB、Redis | 水平扩容，Schema 自由 |
| 全文检索 | 倒排索引 | 文本关键词匹配 | Elasticsearch | 分词、关键词检索、高亮 |
| 向量数据库 | 向量索引 (HNSW 等) | 语义相似度 | Milvus、Qdrant | Embedding 向量近邻搜索 |
8、业务选型选型
- 订单、账户、财务，要事务 → MySQL/PG
- 缓存、临时数据、结构经常变 → Redis / MongoDB
- 商品搜索、日志检索、文章关键词查找 → Elasticsearch
- RAG 知识库、图片检索、语义推荐（找相似内容）→ 向量库
9、组合使用
- RAG 系统：PG/MySQL 存业务元数据 + ES 关键词检索 + Milvus 向量检索（混合检索）
- 电商：MySQL 订单 + ES 商品搜索
PostgreSQL（关系库）可以通过 pgvector 插件支持向量检索，相当于关系库 + 向量能力，但不是专业向量库； Elasticsearch 新版本也支持向量存储，是全文检索为主，向量为辅。
