前几天，我和朋友聊到一个特别有意思的问题：“做 RAG，一定要上专门的向量数据库吗？”我当时没有急着回答，而是反问他：“如果你公司已经有一套成熟的 Oracle 数据库，里面存着客户、订单、商品、合同、知识库，甚至还有几十年的业务数据，现在为了 AI 检索，再单独部署一套向量数据库，你觉得运维团队会开心吗？”他沉默了，这其实就是 Oracle AI Vector Search 很有意思的地方。传统数据库擅长的是“精确查询”：订单号等于 10086、客户 ID 等于 12345。但大模型时代，我们经常需要的是“语义查询”：找一段和“退款规则”意思相近的内容，或者找到和“如何修改支付密码”语义相似的知识。Oracle 从 23ai 开始，把向量数据类型、相似性搜索、向量索引等能力直接融进数据库，让 Oracle 不仅能管理结构化数据，也能管理 Embedding 向量。Spring AI 又进一步提供了 OracleVectorStore，让 Java 开发者可以通过统一的 VectorStore 接口完成文档写入和相似性检索。所以今天我们就把 Oracle 向量数据库当成一座“企业知识仓库”，看看它到底怎么玩。Oracle 向量数据库是什么？如果把传统数据库比作公司的档案室，那么向量数据库就是给档案贴上了“语义标签”，一篇文章经过 Embedding 模型处理后，会变成类似这样的向量：[0.021, -0.183, 0.492, 0.071, ...]，这个向量本身人看不懂，但模型可以利用它表示文本的语义特征。用户搜索“怎么申请退款”，系统不一定需要找到完全包含“申请退款”四个字的文档，而是把用户问题也转换成向量，再寻找距离最近的文档。这就是向量相似性搜索，也是 RAG 的基础环节。Spring AI 的 VectorStore 正是围绕“存储文档 + 相似性搜索”抽象出来的统一接口，Oracle 的优势在于：向量能力不是孤立存在的，而是和关系型数据能力结合在一起。Oracle 向量数据库支持的核心能力这就像原本公司已经有一座非常成熟的仓库，现在只是给仓库增加了一套“语义搜索系统”。Oracle 向量数据库的核心特性1. 关系型向量存储这是 Oracle 最有吸引力的地方之一，传统向量数据库通常会把文档 Embedding Metadata，作为向量检索的数据体系，Oracle 则可以让向量和普通业务字段共同存在。例如：这里的 embedding 就是向量字段，而 title、content、category 仍然是熟悉的关系型字段，这样做的