23ai新特性之VECTOR 数据类型

在传统数据库中，向量数据只能通过 VARBINARY、VARCHAR2 等类型 “勉强存储”—— 不仅无法直接支持向量计算，还需开发者自行处理向量维度、精度、序列化 / 反序列化等细节，极易出错且性能低下。
Oracle 23ai 新增的VECTOR 数据类型，是专门为高维向量设计的原生数据类型，核心特性如下：

多精度支持，灵活适配不同场景

支持 8-bit（INT8）、16-bit（INT16）、32-bit（FLOAT32）、64-bit（FLOAT64） 四种精度的向量存储。例如：
文本嵌入向量（如 OpenAI 的 text-embedding-ada-002 生成 1536 维向量），可使用 FLOAT32 精度，平衡存储成本与计算精度；
图像 / 音频特征向量对精度要求极高的场景，可使用 FLOAT64 精度；
资源受限的边缘设备场景，可使用 INT8/INT16 精度，大幅降低存储与计算开销。

维度强制约束，保障数据一致性

定义 VECTOR 列时可指定固定维度（如VECTOR(1536)），数据库会强制校验插入数据的维度，避免因维度错误导致的检索失败。同时，支持动态维度（VECTOR），适配未知维度的向量场景，灵活性拉满。

内置向量计算函数，简化开发

原生提供数十种向量计算函数，无需开发者手动实现复杂算法：
相似度计算：VECTOR_DISTANCE（支持欧氏距离、余弦距离、曼哈顿距离）、VECTOR_SIMILARITY；
向量操作：VECTOR_ADD、VECTOR_MULTIPLY、VECTOR_NORMALIZE（向量归一化，提升检索准确率）；
嵌入生成：VECTOR_EMBEDDING（直接在数据库内调用内置模型或外部 AI 模型生成向量，无需外部 ETL）。
示例：创建商品表，同时存储商品关系数据与文本嵌入向量

CREATE TABLE products (
    product_id NUMBER PRIMARY KEY,
    product_name VARCHAR2(100),
    price NUMBER(10,2),
    description_emb VECTOR(1536) -- 1536维文本嵌入向量，FLOAT32精度
);