测试在Oracle 23c中新特性是 AI Vector Search ，它允许直接在数据库中进行基于向量相似性的搜索，从而支持机器学习应用如推荐系统、图像检索等。以下是该特性的详细说明及测试示例：

特性描述：AI Vector Search

1. 向量数据类型
       新增 VECTOR类型，用于存储高维向量数据（如机器学习模型的嵌入向量）。

2. 相似性搜索函数
       提供 VECTOR_DISTANCE函数，支持欧氏距离（ EUCLIDEAN）和余弦相似度（ COSINE）计算。

3. 向量索引
       创建高效的内存或磁盘索引（如 IVF_INDEX），加速大规模向量搜索。

测试

步骤1：创建表并插入向量数据

-- 启用向量引擎

ALTER SYSTEM SET vectorset_enable = TRUE;

-- 创建包含向量列的表

CREATE TABLE products (

    id NUMBER PRIMARY KEY,

    name VARCHAR2(50),

    description_embedding VECTOR(384)  -- 假设使用384维向量

);

-- 插入测试数据

INSERT INTO products VALUES (1, 'Phone', '[0.12, 0.23, ..., 0.45]');

INSERT INTO products VALUES (2, 'Laptop', '[0.34, 0.67, ..., 0.89]');

INSERT INTO products VALUES (3, 'Tablet', '[0.56, 0.78, ..., 0.91]');

步骤2：创建向量索引

CREATE IVF_INDEX product_vector_idx 

ON products (description_embedding) 

WITH ("distance_type" = "EUCLIDEAN");

步骤3：执行相似性搜索

-- 查找与目标向量最相似的3个产品

SELECT id, name, 

       VECTOR_DISTANCE(description_embedding, 

                       '[0.55, 0.77, ..., 0.90]', 

                       EUCLIDEAN) AS distance

FROM products

ORDER BY distance

FETCH FIRST 3 ROWS ONLY;

预期结果

ID | NAME   | DISTANCE

---|--------|---------

3  | Tablet | 0.012

2  | Laptop | 0.045

1  | Phone  | 0.210

Oracle 23C  AI Vector Search 关键优势主要以下三点：

• 降低延迟：避免将数据导出到外部AI系统，减少网络开销。

• 简化架构：直接在数据库中统一管理结构化数据和向量。

• 高性能：专用索引加速海量向量检索。