用完字节的火山 VikingDB，我都不舍得告诉别人

有墨友问我们最近干嘛呢，有日子没发版了啊。其实一个产品只要有生命力，基本都会一直迭代下去，当一个产品不更新了，大概率会结束生命周期。所以我们肯定是在开发新功能呢。

一方面开始做 Web 版本的写笔记功能，另一方面开始和字节跳动的 VikingDB RAG 产品合作，研发墨问的“知识库”功能。

墨问知识库最终的呈现形式还没有完全确定下来，但核心必然是基于自然语义的 AI 搜索与问答能力，以及上下文召回的功能。如何实现这样一套系统？最近我和大师仔细梳理了 VikingDB RAG 的相关能力，深刻感受到字节跳动不仅在豆包等大模型产品上展现了强大的能力，在 RAG 这样的基础设施上同样下足了功夫。好用到了我们只想偷着自己用 😂

VikingDB 的三个核心能力是向量库、知识库和长期记忆库。

其中向量库是支撑知识库和记忆库的底层强大基础设施；知识库是一套全新的基于 AI 搜索和问答的知识管理系统，记忆库则是面向记忆场景的扩展，用来持续记录、存储、提取和管理人与 AI 之间交互中的信息。

我的感觉是，这些新的技术产品和基础设施，正在进行人与信息连接技术的新范式革命。

回到最早的门户时代，雅虎、搜狐、新浪，都是网站，都是人找信息。

到了搜索时代，以 Google 和百度为代表的搜索引擎出现，人可以实现主动查询。

再到推荐时代，就是信息来找你，比如说头条或 Netflix，系统开始给你个性化推荐。

到了大模型时代，开始个性互动，AI 通过和用户进行自然语言互动，直接生成用户需要的知识，提升用户的认知。

梳理完这个过程之后，我发现信息的流转和连接，已经是一个天翻地覆的变化了。

哪些核心技术推动了这种变化呢？

第一个是大模型。这个大家耳熟能详。

第二个是 embedding 模型，embedding 模型的核心作用是把原本难以直接处理的文本、图片、音频等信息，转化为一组可以用数学方法计算的向量。这样，计算机就能通过比较这些向量之间的距离，来判断不同数据之间的相似性。

第三个是向量数据库，embedding 模型生成向量，向量数据库用来存储和检索这些向量。向量数据库可以做高效的语义检索，加上跨模态的检索技术，不仅仅可以检索文本，还可以检索图像、音频等等，信息的维度被大大扩展。

关于向量库这个概念，并不是很容易理解，向量数据库和传统数据库有什么区别呢？

大师给我举了个例子：

假设你走进一家书店，问老板：“有没有像《三体》这样的书？”

传统数据库的回答可能是：“有一本书叫《三体》，ISBN 是 9787xxx，作者是刘慈欣，库存还有 12 本。”

你说：“不是，我的意思是有没有像《三体》这样的书，比如题材相似、风格接近的？”

传统数据库就懵了，它不理解“像”的意思。

但向量数据库就不一样了。它会说：“有一本书叫《流浪地球》，科幻风，作者也是刘慈欣；还有《沙丘》，人类文明史诗级构建，和《三体》相似度 83%；再推荐你一本《基地》，阿西莫夫的神作，影响了整个科幻小说体系。”

这就是向量数据库能做的事情，也是火山方舟的 VikingDB 向量数据库正在做的事情。

事实上，字节线上五十多个重要业务——像抖音、豆包、飞书、头条、剪映这样产品，都在使用 VikingDB 向量库，这是个支撑万亿向量检索的产品。

是的，墨问也要用这个：）

除了用这个，我们还会使用基于火山 VikingDB 的知识库和长期记忆库构建产品。事实上 VikingDB 有一个 RAG 产品矩阵和服务矩阵，非常丰富。

底层是云基础设施：存储、网络、计算、大模型。中间层是我刚才提到的向量库、知识库、记忆库，上层最丰富，从陪聊、社交到教育，到游戏，到客服系统，甚至到法律、金融、保险、汽车都有覆盖。

他们的数据处理能力也很强，可以支持 PDF 的解析、各种切片策略、信息去噪、数据增强等等，有很多种索引算法，有语义检索、多模态搜索等等。整个技术底座非常强大，整个平台模块化规划得也非常清晰。

有了这些技术底座和模块化的功能，他们能够支持的应用场景就变得非常丰富了。从协同办公，到数据分析，到文案创作，到辅助编程，甚至到游戏里面的 NPC 的对话等等，都可以用，它的整个架构是非常灵活的，这些已经被抖音、剪映、飞书这样的国民级产品证明过。这套架构处理的向量检索也到了万亿级别。

墨问虽小，能不能用这套技术呢？显然可以，我们主要是用知识库，但知识库就会用到向量库，当我们想记住用户在知识库的长期行为时，又会用到记忆库的功能。

我们准备先做一个公共知识库，把之前积累的 1200 篇笔记、260 万字灌进知识库里，支持 AI 搜索和问答。后续会让每个墨问会员具备创建自己知识库的能力，后端技术会使用 VikingDB 向量库、知识库和长期记忆库。

VikingDB 的优势到底体现在哪些地方?

看完资料和实际使用之后发现，这个 VikingDB 真是非常厉害，我必须得给你讲讲。VikingDB 内置了多种自研的索引算法，在字节内部大量百亿级生产场景，检索性能可达 10 毫秒以内，同时支持向量和标量的混合检索，还能自动进行扩缩容，无论是在性能还是在灵活性上都是非常厉害。

然后呢，人家还支持多模态数据的统一表征，什么意思？就是把你的文本、图像、音频等等都转化成一种统一的向量形式，进行跨模态的检索。这个技术是基于 Seed1.6-Embedding 实现的。

Seed1.6-Embedding 是字节跳动豆包团队新推出的一款多模态向量化模型。它的最大特点是能够将文本、图片、音频、视频等不同类型的数据，统一转化为同一种向量形式。这意味着，无论你的数据是什么类型，都可以用同一个“语言”来进行建模和检索，实现跨模态的高效搜索。

这款模型首次支持视频的向量化能力，并且可以将文本、图片、视频等内容任意组合输入，进行统一处理。Seed1.6-Embedding 支持 2048 或 1024 维的向量输出，最大输入长度为 128k，并兼容多种图片格式和尺寸。常见的应用包括设计、电商、搜索引擎、办公工具、安防、影视等领域的内容检索和推荐。

举个例子，一名电商平台的运营人员想通过一段商品描述——红色连衣裙，适合夏天，简约风格——在平台的图片库中快速找到与描述最匹配的商品图片。Seed1.6-Embedding 模型可以把这段文字和所有商品图片都转成向量，然后通过计算向量之间的相似度，帮你精准地找到最符合描述的图片。

如果你是做视频内容审核的，有一段关于“儿童安全教育”的文字说明，想在成千上万的视频中找到相关内容。模型会把文字和视频都转成向量，帮你检索出那些与描述最相关的视频片段。

VikingDB 还做了很多的优化策略，比如说分桶位图优化、执行计划的优化等等，所以它在行业里面的检索性能排名是非常靠前的。

知识库

火山方舟这个知识库其实是火山基于 VikingDB 向量库实现的一套面向企业和开发者的端到端知识管理与问答系统。你可以把它理解成一个面向大模型的“知识大脑”。用户把知识文档、网页、FAQ、流程图等等上传到这个平台后，它会自动完成文档解析、分片、嵌入向量并存入底层的 VikingDB 向量库中。然后，用户就可以通过这套系统进行基于自然语义的 AI 搜索和问答了。

我们现在已经把之前在知识星球积累的 1200 多篇墨问笔记共 270 万字导入了知识库，这样我就可以和它进行交流。

比如我问，邱岳（墨问创作者）喜欢读的书有哪些？知识库会直接去向量数据库查找匹配，并返回给我这些信息。点击书名后的链接可以直接定位到邱岳写的书评笔记。这种交流方式彻底颠覆了原有的关键词检索。

我把哈苏 X2D 相机的使用说明书传到知识库里，有使用问题就直接问它，再也不用去翻一百多页的 pdf 文件了。

比如当我问到自然色彩方案的时候，知识库能够精准回复。 更有意思的是，当我找不到相机充电口的时候，来知识库提问，得到了图文并茂的答案。

多种方式使用下来，火山知识库有三个显著优势：

1、性能非常强悍，基于字节系同款向量架构，即便是百亿级数据量，检索延迟依然控制在毫秒级，索引更新只需几秒，做到实时写入和极速响应两不误。

2、效果精准，依托自研的 doubao-embedding 模型，支持混合检索、重排、多路召回、算子增强等等，端到端问答准确率在多项评测中领先行业十几个百分点，特别适合复杂问答和场景化应用。

3、处理能力强，具备飞书同源的文档解析能力，支持 10 多种主流文档格式，轻松解析图表、流程图、架构图等内容，加上 OCR 能力与多模态模型，真正实现无论多复杂文档也能精准问答。

长期记忆库

长期记忆库我们正在试用，干什么用呢？

简而言之，这是一个为大模型打造的、可读可写、长期可用的“记忆层”，用来持续记录、存储、提取和管理人与 AI 之间交互中的信息。

你可以把它看作是大模型身边的“备忘录”或“数据库”，能：

• 记录历史对话和事件

• 抽取和存储用户偏好、特征、习惯、意图等

• 在未来对话中主动调用相关记忆，提高连贯性和个性化体验

他们这个长期记忆方案，是基于对话历史进行精准的记忆抽取，然后再转化成向量的形式，存储在 VikingDB 里面。同时会构建一些图谱，比如说事件图谱、画像图谱，可以根据用户的问题去做一些个性化的召回，最终生成一个非常精准的回答。所以这个长期记忆不仅仅是记住了，还可以不断地去增强，可以让用户像跟一个老朋友聊天一样。

那墨问为什么选择和火山 VikingDB 合作呢，除了产品的匹配度，火山 VikingDB 在生态的适配上面以及成本上对于开发者还是非常友好的。

首先，知识库、向量库和长期记忆库都是有 MCP Server 的，并且跟 Coze 深度打通，开放了很多的实验室的 Demo 和开源的项目。比如说智能客服的 Demo、长期记忆的 Demo 等等，开发者非常容易上手。

火山最新的知识库还增加了标准版，它的价格是旗舰版的最小规格的 1/10，我们可以用非常低的成本去做产品冷启动。

其次，火山 VikingDB 这套产品矩阵已经在大量行业生产场景做过验证，他们非常欢迎大家来合作。即便是墨问这种小公司，火山 VikingDB 团队也给了我们全面支持。

这些都是吸引我的地方。我们创业以来一直和大公司有合作，事实上他们的基础设施越好，创业者做出好产品的概率越大，就像高速公路和高铁，能够让我们专注于“造车”，而不用自己去修路。火山 VikingDB 为我们提供了稳定、高效的底层能力，节省了大量的人力和时间成本，让我们可以把更多精力投入到产品创新和用户体验上。

最后，我们还跟火山的同学一起拉了个交流群，共同关注 RAG 技术的最新进展，墨问也会分享我们在这方面的实践和踩坑经验。欢迎关注技术的开发者们一起来交流。

p.s. 点击“阅读原文”直接进入 VikingDB 控制台，说一千道一万，不如自己直接上手体验一把。