AI-原生数据库向量数据库-用户文档

交感核向量数据库 - 用户指南

文档日期：乙巳年八月朔日
版本：一（公版）
状态：可投产

总纲

SynapCores供云原生向量数据库之能，具高级索引、相似检索、AI驱动之嵌入生成。是篇述所以融SynapCores于汝之应用，以行语义检索、推荐及AI驱动之功能。

总览

SynapCores融传统SQL之能于本生向量之术，使尔得：

储高维嵌入并搜之
行语义相似之索
施混合之询，合关系与向量之数据
于库中直生嵌入
扩百万向量，询迟亚百毫秒

要功

向量之运算：

多距离度量（余弦、欧氏、点积、曼哈顿）
以HNSW实现高级索引，速求近似搜索
精确与近似最近邻搜索
批量操作，以达高吞吐量

与SQL集成：

原生向量数据类型
SQL查询中可调用AI函数
将向量与关系数据合于一查询
标准SQL语法，具向量扩展

企业级特性：

ACID事务
自动数据持久
多租户隔离
高可用性

入门指南

1. 开设账户

于https://synapcores.com注册，以获取API凭证。

2. 获得API令牌

账户既立，自仪表盘生成API令牌：

# Your API token will look like this
export SYNAPCORES_TOKEN="sc_live_abc123xyz..."

3. 连接数据库

套接字连接（SQL接口）：

# Connection via SynapCores native protocol
synapcores://username:password@your-instance.synapcores.com:5433/your_database

退出全屏模式：

# Base URL
https://api.synapcores.com/api/v1

退出全屏模式：

原生套接字协议：用于SQL查询与高性能操作
：__REST API：语言无关之HTTP接入

4. 创制首度向量之域

用SQL：

SELECT create_vector_space('products', 384, 'cosine');

用REST API：

curl -X POST https://api.synapcores.com/api/v1/vectors/collections \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "products",
    "dimensions": 384,
    "distance_metric": "cosine",
    "index_type": "hnsw"
  }'

嵌入生成之术

支持之模型

SynapCores 提供内置嵌入生成，具多模型之选：

模型	维度	最适	速度
MiniLM	384	通用文本，速处理	⚡⚡⚡ 速
BERT Base	768	高质语义洞悉	⚡⚡中庸
BERT宏构	1024	极尽嵌入之质	⚡迟缓

用途

于SQL中生成嵌入:

-- Use default model (MiniLM)
SELECT EMBED('wireless headphones');

-- Specify model explicitly
SELECT EMBED('wireless headphones', 'minilm');
SELECT EMBED('wireless headphones', 'bert-base');
SELECT EMBED('wireless headphones', 'bert-large');

于数据植入之际：

INSERT INTO products (name, description, embedding)
VALUES (
    'Bluetooth Headphones',
    'Premium wireless audio device',
    EMBED('Bluetooth Headphones Premium wireless audio device')
);

批量处理：

-- Generate embeddings for existing data
UPDATE products
SET embedding = EMBED(name || ' ' || description)
WHERE embedding IS NULL;

距离度量

选择合适的度量

1. 余弦相似度（推荐用于文本）

最佳用于文脉嵌入，语义检索，文档相似度

范围[-1, 1]者，1为最似之境也

用之之时较之文牍、物器或基于文字之内容

SELECT COSINE_SIMILARITY(vector1, vector2) as similarity
FROM comparisons;

例证: 寻找相似产品描述

二、欧氏距离（L2）

最宜：空间数据、图像嵌入

范围：[0, ∞]，其中0为全同

宜用：比较空间坐标或图像特征

SELECT EUCLIDEAN_DISTANCE(vector1, vector2) as distance
FROM comparisons;

例证：求相似图像

3. 点积

最适于：推荐系统

范围：(-∞, ∞)

当需：以标准化向量计算相关性分数

SELECT INNER_PRODUCT(vector1, vector2) as score
FROM comparisons;

示例：用户物品推荐

4. 曼哈顿距离（L1）

最适于：稀疏高维数据

范围：[0, ∞]

当：处理稀疏特征向量时

SELECT MANHATTAN_DISTANCE(vector1, vector2) as distance
FROM comparisons;

索引之策

平面索引（精准寻索）

特性：

确保百不失一（得精准之果）
搜索诸向量（穷尽之法）
适于小集之数据

用时：

< 于一万向量
若求确然之果
验证与标定

效能：1-10毫秒，适用于小数据集

-- Create with flat index (default)
SELECT create_vector_space('small_collection', 384, 'cosine');

HNSW索引（快速近似搜索）

特性：

基于图的近似最近邻搜索
速逾平表十百倍
精准与速可调

何时而用：

十万以上向量
生产之用
百毫秒以下迟滞所求

效能百万向量亦五至五十毫秒

-- Create with HNSW index
SELECT create_vector_space('large_collection', 384, 'cosine', 'hnsw');

索引选择指南

向量计数	推荐索引	预期延迟
< 10K	平面	1-10毫秒
10K - 100K	HNSW	5-20毫秒
100K - 100万	HNSW	10-50毫秒
1兆以上	HNSW	20-100毫秒

删改查操作

1. 生成向量空间

初始化向量集合：

SQL：

SELECT create_vector_space(
    'products',     -- Space name
    384,            -- Dimensions
    'cosine'        -- Distance metric
);

REST API：

curl -X POST https://api.synapcores.com/api/v1/vectors/collections \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "products",
    "dimensions": 384,
    "distance_metric": "cosine",
    "index_type": "hnsw"
  }'

响应：

{
  "status": "success",
  "data": {
    "name": "products",
    "dimensions": 384,
    "distance_metric": "cosine",
    "index_type": "hnsw",
    "created_at": "2025-09-01T10:00:00Z"
  }
}

2. 插入向量

单一插入，自动生成ID

SQL：

INSERT INTO vector_spaces.products (values, metadata)
VALUES (
    EMBED('Wireless Bluetooth Headphones'),
    '{"product_id": "12345", "category": "electronics"}'::JSON
);

REST API：

curl -X POST https://api.synapcores.com/api/v1/vectors/collections/products/vectors \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": [{
      "values": [0.1, 0.2, 0.3, ...],
      "metadata": {
        "product_id": "12345",
        "category": "electronics"
      }
    }]
  }'

以自定 ID 插入

SQL：

INSERT INTO vector_spaces.products (id, values, metadata)
VALUES (
    'prod_12345',
    EMBED('Wireless Bluetooth Headphones'),
    '{"category": "electronics"}'::JSON
);

批量插入（宜于大量数据）

SQL：

-- Insert multiple vectors efficiently
INSERT INTO vector_spaces.products (values, metadata)
SELECT
    EMBED(description),
    JSON_BUILD_OBJECT('product_id', product_id, 'category', category)
FROM products
WHERE embedding IS NULL
LIMIT 1000;

退出全屏模式：

curl -X POST https://api.synapcores.com/api/v1/vectors/collections/products/vectors \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": [
      {"values": [0.1, ...], "metadata": {"product_id": "1"}},
      {"values": [0.2, ...], "metadata": {"product_id": "2"}},
      ...
    ]
  }'

退出全屏模式：__JHSNS_SEG_bee99152_245__性能提示__JHSNS_SEG_bee99152_246__：批量插入，十至百倍速于单条插入。

搜索向量

语义搜索

SQL：

SELECT
    v.id,
    v.metadata->>'product_id' as product_id,
    v.metadata->>'category' as category,
    COSINE_SIMILARITY(v.values, EMBED('wireless headphones')) as similarity
FROM vector_spaces.products v
WHERE COSINE_SIMILARITY(v.values, EMBED('wireless headphones')) > 0.7
ORDER BY similarity DESC
LIMIT 10;

REST API：

curl -X POST https://api.synapcores.com/api/v1/vectors/collections/products/search \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "query_text": "wireless headphones",
    "k": 10,
    "threshold": 0.7,
    "include_metadata": true
  }'

响应：

{
  "status": "success",
  "data": [
    {
      "id": "prod_12345",
      "score": 0.95,
      "metadata": {
        "product_id": "12345",
        "category": "electronics"
      }
    },
    {
      "id": "prod_67890",
      "score": 0.87,
      "metadata": {
        "product_id": "67890",
        "category": "electronics"
      }
    }
  ],
  "total_results": 2,
  "query_time_ms": 12
}

混合检索（向量与过滤器）

融语义检索于传统SQL过滤器：

SELECT
    p.product_id,
    p.name,
    p.price,
    COSINE_SIMILARITY(p.embedding, EMBED('noise cancelling headphones')) as similarity
FROM products p
WHERE
    p.category = 'electronics'
    AND p.price BETWEEN 50 AND 200
    AND p.in_stock = true
    AND COSINE_SIMILARITY(p.embedding, EMBED('noise cancelling headphones')) > 0.7
ORDER BY similarity DESC, p.price ASC
LIMIT 20;

带元数据过滤器的检索（REST API）

curl -X POST https://api.synapcores.com/api/v1/vectors/collections/products/search \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "query_text": "wireless headphones",
    "k": 20,
    "threshold": 0.7,
    "filter": {
      "category": "electronics",
      "in_stock": true
    }
  }'

：更新向量

SQL：

UPDATE vector_spaces.products
SET
    values = EMBED('Updated product description'),
    metadata = JSON_BUILD_OBJECT(
        'product_id', '12345',
        'category', 'audio',
        'updated_at', CURRENT_TIMESTAMP
    )
WHERE id = 'prod_12345';

REST API：

curl -X PUT https://api.synapcores.com/api/v1/vectors/collections/products/vectors/prod_12345 \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "values": [0.1, 0.2, ...],
    "metadata": {
      "category": "audio",
      "updated_at": "2025-09-01T10:00:00Z"
    }
  }'

：删除向量 SQL

-- Delete by ID
DELETE FROM vector_spaces.products
WHERE id = 'prod_12345';

-- Delete by criteria
DELETE FROM vector_spaces.products
WHERE metadata->>'category' = 'discontinued';

REST API:

# Delete single vector
curl -X DELETE https://api.synapcores.com/api/v1/vectors/collections/products/vectors/prod_12345 \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN"

# Batch delete
curl -X POST https://api.synapcores.com/api/v1/vectors/collections/products/delete_batch \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"ids": ["prod_12345", "prod_67890"]}'

6. 按ID取向量

SQL:

SELECT id, values, metadata
FROM vector_spaces.products
WHERE id = 'prod_12345';

REST API:

curl -X GET https://api.synapcores.com/api/v1/vectors/collections/products/vectors/prod_12345 \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN"

SQL 之融合

矢量数据之型

创表，以本然矢量列：

CREATE TABLE products (
    id INTEGER PRIMARY KEY,
    name TEXT NOT NULL,
    description TEXT,
    price DECIMAL(10,2),
    category TEXT,
    embedding VECTOR(384)  -- 384-dimensional vector
);

人工智能之用

EMBED() - 生成嵌入

-- Default model (MiniLM, 384 dimensions)
SELECT EMBED('wireless headphones');

-- Specify model
SELECT EMBED('wireless headphones', 'minilm');    -- 384d
SELECT EMBED('wireless headphones', 'bert-base'); -- 768d
SELECT EMBED('wireless headphones', 'bert-large'); -- 1024d

-- Use in INSERT
INSERT INTO products (name, description, embedding)
VALUES (
    'Bluetooth Headphones',
    'Premium wireless audio device',
    EMBED('Bluetooth Headphones Premium wireless audio device')
);

向量相似度函数

COSINE_SIMILARITY():

SELECT
    product_id,
    name,
    COSINE_SIMILARITY(embedding, EMBED('wireless bluetooth headphones')) as similarity_score
FROM products
WHERE COSINE_SIMILARITY(embedding, EMBED('wireless bluetooth headphones')) > 0.7
ORDER BY similarity_score DESC
LIMIT 10;

EUCLIDEAN_DISTANCE():

SELECT
    id,
    EUCLIDEAN_DISTANCE(embedding, :query_vector) as distance
FROM image_embeddings
ORDER BY distance ASC
LIMIT 5;

内积：

SELECT
    user_id,
    item_id,
    INNER_PRODUCT(user_embedding, item_embedding) as relevance_score
FROM recommendations
WHERE relevance_score > 0.5
ORDER BY relevance_score DESC;

高级SQL模式

联接语义搜索

-- Find customers who purchased similar products
SELECT
    c.customer_id,
    c.customer_name,
    p.product_name,
    o.order_date,
    COSINE_SIMILARITY(p.embedding, EMBED('premium headphones')) as relevance
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
WHERE
    o.order_date > CURRENT_DATE - INTERVAL '90 days'
    AND COSINE_SIMILARITY(p.embedding, EMBED('premium headphones')) > 0.75
ORDER BY relevance DESC, o.order_date DESC
LIMIT 50;

向量聚合

-- Average similarity by category
SELECT
    category,
    COUNT(*) as product_count,
    AVG(COSINE_SIMILARITY(embedding, EMBED('premium quality'))) as avg_relevance
FROM products
GROUP BY category
HAVING avg_relevance > 0.6
ORDER BY avg_relevance DESC;

向量之嵌套查询

-- Find products similar to top sellers
WITH top_products AS (
    SELECT product_id, embedding
    FROM products p
    JOIN order_items oi ON p.product_id = oi.product_id
    GROUP BY p.product_id, p.embedding
    ORDER BY SUM(oi.quantity) DESC
    LIMIT 10
)
SELECT DISTINCT
    p.product_id,
    p.name,
    MAX(COSINE_SIMILARITY(p.embedding, tp.embedding)) as max_similarity
FROM products p
CROSS JOIN top_products tp
WHERE p.product_id NOT IN (SELECT product_id FROM top_products)
GROUP BY p.product_id, p.name
HAVING MAX(COSINE_SIMILARITY(p.embedding, tp.embedding)) > 0.8
ORDER BY max_similarity DESC
LIMIT 20;

休止之接口

基础之址

https://api.synapcores.com/api/v1

身份之验证

凡请求皆需持令牌以验：

Authorization: Bearer <your_api_token>

端点

方法	端点	用途
GET	`/vectors/collections`	列出所有集合
POST	`/vectors/collections`	创建集合
GET	`/vectors/collections/:name`	获取集合信息
DELETE	`/vectors/collections/:name`	删除集合
置矢	`/vectors/collections/:name/vectors`	取矢
索矢	`/vectors/collections/:name/vectors/:id`	按ID索矢
改矢	`/vectors/collections/:name/vectors/:id`	增矢
除矢	`/vectors/collections/:name/vectors/:id`	废矢
置矢	`/vectors/collections/:name/search`	索矢
置矢	`/vectors/collections/:name/search/batch`	群索

全程例证

# 1. Create collection
curl -X POST https://api.synapcores.com/api/v1/vectors/collections \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "documents",
    "dimensions": 384,
    "distance_metric": "cosine",
    "index_type": "hnsw"
  }'

# 2. Insert documents
curl -X POST https://api.synapcores.com/api/v1/vectors/collections/documents/vectors \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "vectors": [{
      "id": "doc_001",
      "values": [0.1, 0.2, ...],
      "metadata": {"title": "Getting Started", "type": "guide"}
    }]
  }'

# 3. Search documents
curl -X POST https://api.synapcores.com/api/v1/vectors/collections/documents/search \
  -H "Authorization: Bearer $SYNAPCORES_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "query_text": "how to get started",
    "k": 10,
    "threshold": 0.7
  }'

速率限制

操作	限制	备注
每次插入向量数	1,000	大数据集宜用批处理操作
每批搜索查询数	100	将大批量分割为多个请求
每分钟API请求数	一千	请联系支持以获取更高限额

最佳实践

1. 选择嵌入维度

维度	模型	应用场景	权衡
384	MiniLM	通用，经济实惠	最佳平衡
768	BERT Base	更优质之语义理解	2倍存储成本
1024	BERT Large	关键应用之最高品质	3倍存储成本

推荐以384维（MiniLM）始，适于多般之用。

2. 批量操作

恒用批量操作以：

大批量数据导入
周期性重新索引
数据迁移

性能增益：

十至百倍速于单次操作
API调用开销减省
吞吐量更优

最佳批处理量：每请求百至千向量

3. 查询优化

善用过滤器：

-- Good: Filter before vector search
SELECT *
FROM products
WHERE
    category = 'electronics'  -- Traditional filter first
    AND price < 200
    AND COSINE_SIMILARITY(embedding, EMBED('headphones')) > 0.7

缓存频查：

于应用中缓存热门检索嵌入
：
对同质查询复用嵌入

：

减省嵌入生成之劳 4. 错误处置

import time
from requests.adapters import HTTPAdapter
from requests.packages.urllib3.util.retry import Retry

session = requests.Session()
retry = Retry(
    total=3,
    backoff_factor=0.3,
    status_forcelist=[429, 500, 502, 503, 504]
)
adapter = HTTPAdapter(max_retries=retry)
session.mount('https://', adapter)

处理速率限制：

检视响应首部之速率限制信息
施行指数退避
高峰流量时排队请求

5. 监控与可观测性

于应用中追踪要旨之度：

查询迟滞（p50, p95, p99）
搜检之精准/相干
嵌入生成之时
API误差之率

记重要之事：

嵌入生成之败
查询迟缓（>百毫秒）
速率限制之触

常用之例

交易语义之索

-- Create product table with embeddings
CREATE TABLE products (
    product_id SERIAL PRIMARY KEY,
    name TEXT,
    description TEXT,
    category TEXT,
    price DECIMAL(10,2),
    embedding VECTOR(384)
);

-- Index products
INSERT INTO products (name, description, category, price, embedding)
SELECT
    name,
    description,
    category,
    price,
    EMBED(name || ' ' || description)
FROM product_catalog;

-- Search by semantic meaning
SELECT
    product_id,
    name,
    price,
    COSINE_SIMILARITY(embedding, EMBED('wireless headphones')) as relevance
FROM products
WHERE relevance > 0.7
ORDER BY relevance DESC
LIMIT 20;

交易内容之荐

-- Find similar articles based on user reading history
WITH user_interests AS (
    SELECT AVG(a.embedding) as avg_embedding
    FROM user_reading_history urh
    JOIN articles a ON urh.article_id = a.article_id
    WHERE urh.user_id = :user_id
)
SELECT
    a.article_id,
    a.title,
    COSINE_SIMILARITY(a.embedding, ui.avg_embedding) as relevance
FROM articles a
CROSS JOIN user_interests ui
WHERE a.article_id NOT IN (
    SELECT article_id FROM user_reading_history WHERE user_id = :user_id
)
AND relevance > 0.6
ORDER BY relevance DESC
LIMIT 10;

重复之辨

-- Find near-duplicate documents
SELECT
    d1.document_id as doc1_id,
    d2.document_id as doc2_id,
    COSINE_SIMILARITY(d1.embedding, d2.embedding) as similarity
FROM documents d1
JOIN documents d2 ON d1.document_id < d2.document_id
WHERE COSINE_SIMILARITY(d1.embedding, d2.embedding) > 0.95
ORDER BY similarity DESC;

用例四：客户支持路由

-- Find similar resolved tickets
SELECT
    t.ticket_id,
    t.subject,
    t.resolution,
    COSINE_SIMILARITY(t.embedding, EMBED(:new_ticket_text)) as similarity
FROM support_tickets t
WHERE
    t.status = 'resolved'
    AND similarity > 0.8
ORDER BY similarity DESC
LIMIT 5;

故障排除

查询性能缓慢

症状：查询耗时大于 100毫秒

解决方案：

验HNSW索引之用（察询策）
减所求之果（降k值）
用元数据筛以狭索域
思以低维嵌入（384代768）

高API误率

症候：频现429（速率限）或5xx误

方略：

行指数退避重试之术
用批处理而非单次请求
诉诸支持以增速率限制
储频用嵌入

意外之搜索得

症候：语义搜索得非所求之果

方略提高相似度阈限（试以0.8代0.7）

验输入文是否正确嵌入
察所用嵌入模型是否无误
审元数据滤器之当否
勘元数据滤器之正误

嵌入生成之失

症候：EMBED()函数之误或时延

解法:

核验文辞之长未逾512符
察有无殊异之符或编碼之弊
以指数退避重试
若误仍存，则诉诸支持

客户库

Python

import requests

class SynapCoresClient:
    def __init__(self, api_token):
        self.base_url = "https://api.synapcores.com/api/v1"
        self.headers = {
            "Authorization": f"Bearer {api_token}",
            "Content-Type": "application/json"
        }

    def search(self, collection, query_text, k=10, threshold=0.7):
        response = requests.post(
            f"{self.base_url}/vectors/collections/{collection}/search",
            headers=self.headers,
            json={
                "query_text": query_text,
                "k": k,
                "threshold": threshold
            }
        )
        return response.json()

# Usage
client = SynapCoresClient("your_api_token")
results = client.search("products", "wireless headphones", k=10)

JavaScript/TypeScript

class SynapCoresClient {
    constructor(apiToken) {
        this.baseUrl = 'https://api.synapcores.com/api/v1';
        this.headers = {
            'Authorization': `Bearer ${apiToken}`,
            'Content-Type': 'application/json'
        };
    }

    async search(collection, queryText, k = 10, threshold = 0.7) {
        const response = await fetch(
            `${this.baseUrl}/vectors/collections/${collection}/search`,
            {
                method: 'POST',
                headers: this.headers,
                body: JSON.stringify({
                    query_text: queryText,
                    k,
                    threshold
                })
            }
        );
        return await response.json();
    }
}

// Usage
const client = new SynapCoresClient('your_api_token');
const results = await client.search('products', 'wireless headphones', 10);

性能预期

查询延迟

数据集大小	索引类型	典型延迟
< 10K向量	扁平	1-5毫秒
十千至百千向量	HNSW	五至二十毫秒
百千至百万一万向量	HNSW	十至五十毫秒
一万以上向量	HNSW	二十至百毫秒

自SynapCores服务器测延迟。加网络延迟为总客户端响应时

吞吐量

操作	预期吞吐量
单次插入	~1,000次/秒
批量插入（100向量）	~10,000向量/秒
搜索查询	~5,000查询/秒

可扩展性限制

资源	限制	备注
空间向量	百兆以上	已测试且可生产使用
最大维度	四千零九十六	维度越高，搜索越缓
批量大小	一千向量	每API请求
API请求速率限制	每分钟一千请求	就增额事宜，请洽客服

客服与资源

文档

开发者文档：https://docs.synapcores.com
API参考：https://docs.synapcores.com/api
SQL指南：https://docs.synapcores.com/sql

社區

社區論壇：JHSNS_URL_0
Discord：JHSNS_URL_0
Stack Overflow：於問題上標註synapcores

支援

電子郵件：support@synapcores.com
Chat：仪表盘可见
状态页：https://status.synapcores.com

教程

入门：十五分钟内构建首个语义搜索
生产部署：扩展至生产环境的最佳实践
高级模式：雜合搜尋，RAG，及多模態應用

定價

訪問https://synapcores.com/pricing以獲知最新定價細節.

免費層：

10萬向量
每月100萬次API請求
社區支持

專業層：

十兆向量
无限API请求
邮件支持
九九点九分之百SLA

企业级服务：

无限向量
专属支持
定制SLA
本地部署选项

限制

当前限制

維度變更：創立之後，向量空間之維度不可變更
度量變更：空間創立之後，距離度量不可變更
最大維度：至多四千零九十六維
批次大小：每請求至多一千向量

預計功能

量化以减存储之费
GPU驱动之索
每文多矢之支
精滤索之优化
实时索引之更

结论

SynapCores供一生产就绪、云出之矢数据库，具：

✅ 语义索 - 意义相类，非关键词相寻
✅ SQL相融 - 矢量与关联之问并合
✅ 易用之极 - 简约之API与SQL之用
✅ 效能卓绝 - 规模虽广，百毫秒内应答
✅完全托管 — 无需维护基础设施

即刻构建人工智能驱动之应用于https://synapcores.com

文档版本：1.0（公开）
最后更新：2025年9月1日
技术支持：support@synapcores.com

最初发表于synapcores.com — SynapCores乃免费、单二进制AI原生数据库（向量+图+SQL+LLM）。

推薦訂閱源

DEV Community

交感核向量数据库 - 用户指南

总纲

目录

总览

要功

入门指南

1. 开设账户

2. 获得API令牌

3. 连接数据库

4. 创制首度向量之域

嵌入生成之术

支持之模型

用途

距离度量

选择合适的度量

1. 余弦相似度（推荐用于文本）

二、欧氏距离（L2）

3. 点积

4. 曼哈顿距离（L1）

索引之策

平面索引（精准寻索）

HNSW索引（快速近似搜索）

索引选择指南

删改查操作

1. 生成向量空间

2. 插入向量

单一插入，自动生成ID

以自定 ID 插入

批量插入（宜于大量数据）

搜索向量

语义搜索

混合检索（向量与过滤器）

带元数据过滤器的检索（REST API）

：更新向量

6. 按ID取向量

SQL 之融合

矢量数据之型

人工智能之用

EMBED() - 生成嵌入

向量相似度函数

高级SQL模式

联接语义搜索

向量聚合

向量之嵌套查询

休止之接口

基础之址

身份之验证

端点

全程例证

速率限制

最佳实践

1. 选择嵌入维度

2. 批量操作

3. 查询优化

：

5. 监控与可观测性

常用之例

交易语义之索

交易内容之荐

重复之辨

用例四：客户支持路由

故障排除

查询性能缓慢

高API误率

意外之搜索得

嵌入生成之失

客户库

Python

JavaScript/TypeScript

性能预期

查询延迟

吞吐量

可扩展性限制

客服与资源

文档

社區

支援

教程