向量資料庫專門儲存 embedding 向量，並支援 approximate nearest neighbor（ANN）查詢——「給我跟這個向量最像的前 10 個」。實際的 ANN 引擎（HNSW、IVF、ScaNN）犧牲一點點 recall 換取大幅速度提升，讓你能在毫秒內查上百萬筆向量。 它重要的原因是：傳統關聯式資料庫不是為這個設計的。對 100 萬筆 1536 維向量做暴力 cosine similarity 慢得不像話，向量資料庫讓這件事變便宜。每個 RAG 系統都需要——沒有高效檢索，就沒辦法把 LLM 回答綁在你的資料上。 典型用法：把文件每個段落 embed，存 (段落文字、embedding、metadata) 進向量資料庫；查詢時把使用者問題 embed，查 top-k 最相似向量，把對應段落塞進 prompt 給 LLM 當 context。整條 pipeline 100-300ms 跑完。 常見選擇：Pinecone（managed）、Weaviate、Qdrant、Milvus、Chroma（open-source）；pgvector 把 Postgres 變成堪用的向量資料庫，已是 Supabase + Neon 的預設選項。小專案 pgvector 或 Chroma 通常夠用；大規模（>5000 萬筆、跨區域）需要 Pinecone 或 Milvus。延伸閱讀：embedding、RAG、HNSW、hybrid search。