# Vector database là gì? Cách hoạt động và khi nào nên dùng

> Vector database tìm dữ liệu theo độ tương đồng ngữ nghĩa thay vì so khớp từ khoá — chỉ mục ANN hoạt động ra sao và khi nào ứng dụng AI, RAG cần một hệ riêng.

Nguồn: https://camnangai.com/ky-thuat/vector-database-la-gi  
Xuất bản: 2026-08-11

**Vector database** là hệ thống lưu trữ chuyên dụng, được thiết kế để quản lý và truy xuất dữ liệu
  dưới dạng những mảng số thực đa chiều gọi là vector embedding.

Thay vì so khớp từ khoá chính xác như các cơ sở dữ liệu truyền thống, nó vận hành dựa trên phép toán
hình học để tìm dữ liệu có ngữ nghĩa gần nhau trong một không gian vector liên tục.

Khả năng cốt lõi của hệ thống là xử lý được dữ liệu không cấu trúc — văn bản, hình ảnh, âm thanh —
sau khi chúng đã được chuyển thành vector qua các
[mô hình học máy (Machine Learning)](https://camnangai.com/kien-thuc-ai/machine-learning-la-gi) gọi là embedding model.
Khi thông tin được ánh xạ vào một không gian đa chiều, những thực thể gần nhau về ngữ nghĩa cũng nằm
gần nhau về toạ độ, và truy vấn lân cận gần nhất (Nearest Neighbor) chạy được với hiệu suất cao.

Trong các kiến trúc AI hiện đại, đặc biệt là
[Retrieval-Augmented Generation (RAG)](https://camnangai.com/kien-thuc-ai/rag-la-gi), nó cho phép các
[mô hình ngôn ngữ lớn (LLM)](https://camnangai.com/kien-thuc-ai/llm-la-gi) truy xuất đúng ngữ cảnh liên quan mà không cần
huấn luyện lại toàn bộ mô hình, nhờ đó tối ưu chi phí và giảm hiện tượng "ảo giác" (hallucination).

Vector database chính là bộ nhớ dài hạn của một hệ thống AI.

![Các điểm dữ liệu phân bố trong một không gian vector nhiều chiều, những điểm gần nhau về ý nghĩa nằm sát cạnh nhau thành từng cụm](https://camnangai.com/articles/vector-database-la-gi/01-infographic-vn.webp)

## Vector database là gì?

Sự khác biệt cốt lõi giữa cơ sở dữ liệu truyền thống và **vector database** nằm ở logic truy vấn. Các
hệ quản trị SQL truyền thống được tối ưu cho truy vấn chính xác hoặc theo dải giá trị — tìm `ID = 123`,
hoặc lọc giá lớn hơn 50. Ngược lại, vector database tập trung vào truy vấn theo độ tương đồng
(similarity search), trả về các kết quả gần giống nhất với đầu vào, đo bằng khoảng cách hình học.

![So sánh hai lối truy vấn: cơ sở dữ liệu SQL tìm theo khớp chính xác, còn vector database tìm theo độ tương đồng ngữ nghĩa](https://camnangai.com/articles/vector-database-la-gi/02-vn.webp)

Dữ liệu hiện đại như hình ảnh hoặc ngữ cảnh văn bản mang tính trừu tượng cao, không thể tìm kiếm hiệu
quả bằng SQL thông thường. Không thể tìm một tấm ảnh con mèo bằng cách so khớp từng bit, nhưng qua
vector hoá, các đặc điểm hình khối và màu sắc được mã hoá thành mảng số để so sánh.

Khi dữ liệu đạt quy mô hàng triệu hoặc hàng tỷ bản ghi, việc so sánh tuần tự (brute-force) với độ phức
tạp `O(n)` là bất khả thi về mặt kỹ thuật do giới hạn CPU và độ trễ. Để giải quyết bài toán quy mô,
vector database sử dụng các thuật toán tìm kiếm lân cận gần đúng (Approximate Nearest Neighbor — ANN)
để thu hẹp không gian tìm kiếm, đánh đổi một phần nhỏ độ chính xác lấy tốc độ phản hồi tính bằng mili
giây.

## Dữ liệu trở thành vector như thế nào?

Quá trình chuyển dữ liệu thô thành vector gọi là vector hoá (vectorization), do các
[mô hình embedding](https://camnangai.com/ky-thuat/embedding-la-gi) như OpenAI `text-embedding-3`, GloVe hoặc các kiến
trúc Transformer đảm nhiệm. Các mô hình này được huấn luyện để nắm bắt những đặc tính tiềm ẩn của dữ
liệu.

![Quy trình vector hoá: văn bản, hình ảnh và âm thanh đi qua mô hình embedding rồi trở thành toạ độ trong không gian vector](https://camnangai.com/articles/vector-database-la-gi/03-vn.webp)

Ví dụ, trong không gian vector, các từ như "cat" và "kitty" sẽ nằm gần nhau do có ngữ cảnh sử dụng
tương đồng. Phép tính kinh điển "King − Man + Woman = Queen" minh hoạ cách không gian vector lưu giữ
các mối quan hệ ngữ nghĩa — giới tính, hoàng tộc — dưới dạng toạ độ hình học.

Mỗi vector thường bao gồm từ hàng trăm đến hàng nghìn chiều (dimension). Một vector 1536 chiều đại
diện cho 1536 đặc tính số học khác nhau của cùng một mẩu dữ liệu.

Khởi tạo và lưu trữ vector trong Postgres bằng extension `pgvector` trông như sau:

```sql
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) VALUES ('[1.2, 2.3, 3.4]');
```

## Vector database hoạt động ra sao?

Để xác định mức độ tương quan giữa các vector, hệ thống sử dụng các độ đo khoảng cách (distance
metric), mỗi độ đo có quy ước điểm số riêng cần lưu ý:

![Ba cách đo khoảng cách giữa hai vector đặt cạnh nhau: cosine đo góc, Euclidean đo đường thẳng, dot product đo cả góc lẫn độ lớn](https://camnangai.com/articles/vector-database-la-gi/04-vn.webp)

- **Cosine similarity:** đo góc giữa hai vector. Thường dùng cho văn bản vì tập trung vào hướng thay
  vì độ dài. (Điểm **cao** = tương đồng cao; còn cosine _distance_ — toán tử `<=>` trong `pgvector` —
  thì ngược lại, điểm thấp mới là gần nhau.)
- **Euclidean distance (L2):** đo khoảng cách đường thẳng giữa hai điểm. Dùng khi độ lớn (magnitude)
  của vector mang thông tin quan trọng. (Điểm thấp = tương đồng cao.)
- **Dot product:** tính toán dựa trên cả hướng và độ lớn, thường dùng trong hệ thống gợi ý. (Điểm
  **cao** = tương đồng cao.)

Quy trình truy vấn tiêu chuẩn gồm: nhận đầu vào → vector hoá câu hỏi bằng cùng một mô hình → tìm kiếm
các lân cận gần nhất (K-Nearest Neighbors) trong chỉ mục.

Về mặt lưu trữ, các hệ thống chuyên dụng như Qdrant hay Weaviate giữ dữ liệu ngay trong RAM, hoặc
dùng cơ chế ánh xạ bộ nhớ (memory-mapped file) trên ổ đĩa NVMe để đảm bảo I/O thấp và tốc độ truy
xuất tối đa cho các tập dữ liệu lớn hơn dung lượng bộ nhớ vật lý.

## Vì sao phải có chỉ mục ANN như HNSW?

HNSW (Hierarchical Navigable Small Worlds) là thuật toán ANN phổ biến nhất hiện nay, dựa trên cấu trúc
đồ thị phân lớp (layered graph). Quá trình tìm kiếm diễn ra bằng cách nhảy từ các lớp trên — kết nối
thưa, phạm vi dài — xuống các lớp dưới có kết nối dày để tìm kiếm cục bộ. Cách tiếp cận này giúp đạt độ
phức tạp tìm kiếm `O(log n)`. Đổi lại, HNSW đòi hỏi lượng RAM rất lớn vì phải lưu toàn bộ cấu trúc đồ
thị tiệm cận (proximity graph) trong bộ nhớ.

![Đồ thị phân lớp của HNSW: lớp trên thưa để nhảy xa, lớp dưới dày để tìm cục bộ, và đường đi của truy vấn từ trên xuống](https://camnangai.com/articles/vector-database-la-gi/05-vn.webp)

Các tham số cần quan tâm gồm `m` (số kết nối tối đa mỗi node) và `ef_construction` (độ chính xác khi
xây dựng đồ thị). Tăng các giá trị này sẽ cải thiện độ chính xác (recall) nhưng làm tăng chi phí RAM và
thời gian xây dựng chỉ mục.

Một lưu ý kỹ thuật với `pgvector`: việc xây dựng chỉ mục HNSW mặc định chỉ dùng 2 worker song song
(giá trị mặc định của `max_parallel_maintenance_workers` trong Postgres). Để tối ưu, hãy nâng tham số
đó lên và tăng `maintenance_work_mem` — tài liệu `pgvector` gợi ý 8GB — trước khi chạy lệnh tạo chỉ
mục, vì quá trình này nhanh hơn hẳn khi đồ thị nằm vừa trong bộ nhớ đó.

IVFFlat (Inverted File Index) đi theo hướng khác: nó phân cụm không gian vector thành các vùng
Voronoi. Cách này tốn ít RAM hơn HNSW nhưng yêu cầu một giai đoạn huấn luyện để xác định tâm cụm, và
hiệu năng truy vấn cũng thấp hơn.

## Lọc metadata và hybrid search

Trong thực tế, tìm kiếm vector thường đi kèm điều kiện lọc — chẳng hạn "tìm ảnh tương tự nhưng chỉ của
User X". Có hai chiến lược:

![Pre-filtering đặt cạnh post-filtering khi lọc metadata, và cách hybrid search hợp nhất kết quả tìm theo ngữ nghĩa với tìm theo từ khoá](https://camnangai.com/articles/vector-database-la-gi/06-vn.webp)

1. **Post-filtering:** tìm vector tương đồng trước rồi mới lọc metadata. Nhược điểm là nếu bộ lọc quá
   khắt khe, kết quả trả về thường ít hơn yêu cầu — bạn xin top 10 nhưng chỉ nhận về 2, vì 8 kết quả
   kia không khớp metadata.
2. **Pre-filtering:** lọc metadata trước rồi mới tìm vector. Đây là cách tiếp cận chính xác hơn. Các hệ
   thống như **Qdrant** sử dụng "payload-indexed HNSW" để thực hiện pre-filtering mà không làm giảm
   hiệu suất truy vấn.

Hybrid search kết hợp giữa tìm kiếm ngữ nghĩa (dense vector) và tìm kiếm từ khoá truyền thống (sparse
vector, BM25). Cơ chế này đặc biệt quan trọng khi phải xử lý các từ hiếm hoặc mã sản phẩm chính xác.
Thuật toán RRF (Reciprocal Rank Fusion) thường được dùng để hợp nhất và xếp hạng lại kết quả từ hai
nguồn tìm kiếm này.

## Vector search yếu ở đâu?

Theo nghiên cứu "Vector Bottleneck" của DeepMind, các mô hình đơn vector (single-vector) có giới hạn về
khả năng biểu diễn logic tổ hợp phức tạp (combinatorial complexity). Ví dụ, truy vấn "So sánh chính
sách của FDR và Reagan" thường thất bại vì một vector duy nhất không thể đại diện đồng thời cho hai
thực thể đối lập một cách chính xác.

![Giới hạn critical-n: vector càng ít chiều thì độ chính xác càng sớm sụt giảm khi kho tài liệu lớn dần](https://camnangai.com/articles/vector-database-la-gi/07-vn.webp)

Nghiên cứu cũng chỉ ra "critical-n point": với vector 1024 chiều, độ chính xác bắt đầu suy giảm rõ rệt
khi số lượng tài liệu vượt mốc 4 triệu. Lúc này, việc tăng số chiều không còn mang lại hiệu quả tương
xứng với chi phí RAM và độ trễ.

Vì những điểm yếu này — không xử lý tốt các hằng số cứng như mã SKU hay tên riêng chính xác —
**hybrid search** không còn là một tính năng cộng thêm mà trở thành yêu cầu bắt buộc cho hệ thống
chạy thật. Ngoài ra, việc duy trì HNSW hoàn toàn trên RAM dẫn đến chi phí hạ tầng rất cao khi quy mô
dữ liệu tăng trưởng.

## Có cần một vector database riêng không?

Có hai hướng tiếp cận chính:

![Thang quy mô để chọn hạ tầng: dưới 5 triệu vector, từ 5 đến 50 triệu, và trên 100 triệu](https://camnangai.com/articles/vector-database-la-gi/08-vn.webp)

1. **Extension (tích hợp):** như `pgvector` trên Postgres hay DynamoDB Vector Search. Ưu điểm là duy
   trì tính nhất quán dữ liệu (ACID), join được với dữ liệu quan hệ, và không phát sinh thêm hạ tầng
   vận hành. Nhược điểm là buffer pool của Postgres không được tối ưu cho vector workload, dẫn đến suy
   giảm hiệu năng khi chỉ mục vượt quá 10 triệu vector.
2. **Dedicated DB (chuyên dụng):** như Pinecone, Qdrant, Weaviate. Ưu điểm là tối ưu sâu cho ANN, hỗ
   trợ hybrid search và lọc metadata phức tạp tốt hơn.

Về chi phí: ở mốc 10 triệu vector, dịch vụ quản lý như Pinecone có thể tốn hơn $700 một tháng, trong
khi tự vận hành Qdrant trên cloud tiêu chuẩn chỉ mất khoảng $120–$180.

## Bạn nên bắt đầu từ đâu?

Dưới góc nhìn của một kỹ sư hệ thống, lời khuyên là chọn giải pháp vừa đủ thay vì chạy theo công nghệ
mới nhất.

- **Dưới 5 triệu vector:** ưu tiên dùng các extension tích hợp sẵn như `pgvector`. Cách này tận dụng hạ
  tầng Postgres có sẵn, bảo đảm tính ACID và giảm thiểu rủi ro vận hành.
- **Trên 10 triệu vector, hoặc cần hybrid search và pre-filtering hiệu năng cao:** chuyển sang các giải
  pháp chuyên dụng như Qdrant hoặc Weaviate.
- **Giai đoạn prototype:** dùng Chroma để triển khai nhanh trên máy cục bộ.

Chỉ tách riêng vector database khi bạn đo được hiệu năng đang suy giảm, hoặc khi cần những tính năng
chuyên sâu như payload-indexing mà cơ sở dữ liệu truyền thống không đáp ứng tốt.

## Tài liệu tham khảo

- [What is a Vector Database & How Does it Work? Use Cases + Examples — Pinecone](https://www.pinecone.io/learn/vector-database/)
- [Vector Embeddings Explained — Weaviate](https://weaviate.io/blog/vector-embeddings-explained)
- [Vector Databases Explained in 3 Levels of Difficulty — MachineLearningMastery](https://machinelearningmastery.com/vector-databases-explained-in-3-levels-of-difficulty/)
- [Understanding Hierarchical Navigable Small Worlds (HNSW) for Vector Search — Milvus](https://milvus.io/blog/understand-hierarchical-navigable-small-worlds-hnsw-for-vector-search.md)
- [pgvector: Open-source vector similarity search for Postgres — GitHub](https://github.com/pgvector/pgvector)
- [pgvector Guide: Vector Search and RAG in PostgreSQL — Encore](https://encore.dev/blog/you-probably-dont-need-a-vector-database)
- [The Vector Bottleneck in Embedding-Based Retrieval — Tullie Murrell](https://tullie.ai/blog/vector-bottleneck-embedding-retrieval)
- [Vector Database Comparison: Pinecone vs Qdrant vs Weaviate vs pgvector in Production — Tensoria](https://tensoria.fr/en/blog/vector-database-comparison)
- [Amazon DynamoDB now supports real-time vector search at any scale — AWS News Blog](https://aws.amazon.com/blogs/aws/amazon-dynamodb-now-supports-real-time-vector-search-at-any-scale/)
