sell人工智慧

scatter_plot

Vectorize

把文字的『語意』存成向量，再找出最相近的結果——這就是 RAG 和語意搜尋背後的記憶層。

1,536最大維度

10M每索引向量數

3距離度量方式

lightbulb

Vectorize 是什麼？

Vectorize 是一種向量資料庫：它儲存 embedding（向量，一串能代表文字、圖片或聲音語意的數字），並快速找出和你查詢最相似的那些。電腦就是這樣靠語意、而不是靠完全相同的關鍵字來搜尋。

AI 模型會先把每段文字變成一個向量。語意相近的文字，向量也會靠得很近。Vectorize 把上百萬個向量存起來，給它一個新向量，就能在幾毫秒內回傳最接近的結果。

map

把它想成一張語意地圖

想像每個句子都是一張大地圖上的圖釘，意思相關的就釘在一起。要回答問題時，你放下一支新圖釘，看看它旁邊有哪些。Vectorize 就是那張地圖，而且能瞬間找出最近的圖釘。

help

為什麼要用它？

關鍵字搜尋只要換個說法就找不到。Vectorize 懂語意，因此能做出更聰明的搜尋，也能餵給 AI 模型真實、最新的知識。

psychology

靠語意搜尋

就算文件寫的是『恢復帳號存取』，也能找到『怎麼重設密碼』。

auto_stories

驅動 RAG

RAG（Retrieval-Augmented Generation，檢索增強生成）把最相關的事實餵給 AI，讓答案有根據、不會亂掰。

public

全球都快

跑在 Cloudflare 網路上，並原生搭配 Workers，全球查詢都很快。

tune

不用顧伺服器

一個指令就建好索引——不用規劃、修補或顧著叢集。

target

什麼時候該用它？

smart_toy

用你的文件聊天

用 RAG 做一個能根據你自己的手冊、wiki 或客服文章回答的機器人。

聰明的站內搜尋

讓使用者依『意思』搜尋，就算用字不同也能找到相關結果。

recommend

推薦系統

靠找出相近的向量，推薦相似的商品、文章或歌曲。

filter_alt

分類與去重

把相似的項目分組、標出重複內容，或揪出距離很遠的異常值。

rocket_launch

怎麼開始用？

建立一個索引
一個索引存放固定大小的向量。維度要對應你的 embedding 模型（這裡是 768），並挑一種距離度量，例如 cosine（餘弦）。
bash
```
wrangler vectorize create my-index --dimensions=768 --metric=cosine
```

加上繫結

在 wrangler.jsonc 把索引接進 Worker，程式裡就能用 env.VECTORIZE。

jsonc

{
  "name": "my-search-worker",
  "main": "src/index.js",
  "compatibility_date": "2025-06-01",
  "vectorize": [
    { "binding": "VECTORIZE", "index_name": "my-index" }
  ]
}

寫入並查詢向量

用 insert() 存入向量，再用 query() 傳入新向量取得最相近的結果。實務上這些數字通常由 Workers AI 的 embedding 模型產生。

export default {
  async fetch(request, env) {
    // 1) Store a few vectors with metadata
    await env.VECTORIZE.insert([
      { id: "1", values: [0.1, 0.2, 0.3], metadata: { text: "hello" } },
      { id: "2", values: [0.9, 0.8, 0.7], metadata: { text: "world" } }
    ]);

    // 2) Find the 3 closest matches to a query vector
    const matches = await env.VECTORIZE.query(
      [0.1, 0.2, 0.25],
      { topK: 3, returnMetadata: true }
    );
    return Response.json(matches);
  }
};

部署上線
把 Worker 發佈出去，就能從任何地方查詢。
bash
```
wrangler deploy
```

school

重點概念

data_array

向量（Embedding）

AI 模型產生的一串數字，用來代表某段文字、圖片或聲音的語意。

straighten

維度（Dimensions）

每個向量有多長。必須和你的模型一致——Vectorize 最多支援 1,536 維。

social_distance

距離度量（Metric）

衡量『接近程度』的規則：cosine（餘弦）、euclidean（歐氏）或 dot-product（內積）。挑你的模型建議的那種。

filter_list

中介資料篩選

為每個向量附上標籤（例如分類或日期），查詢時可依這些標籤篩選結果。

auto_stories

RAG（檢索增強生成）

先從 Vectorize 取出最相關的片段，再交給 AI 模型寫出有依據的答案。

tips_and_updates

小提示與限制

link

搭配 Workers AI 一起用

用 Workers AI 的 embedding 模型把文字變成向量，存進 Vectorize，再讓 LLM 根據比對結果回答。這三者就組成一條完整的 RAG 流程。

每個索引最多存 10,000,000 個向量，每個向量最多 1,536 維。
一次查詢最多回傳 100 筆結果（同時回傳數值/中介資料時最多 50 筆）。
每個向量最多可附帶 10 KiB 的中介資料。
免費方案最多 100 個索引；Workers 付費方案則多得多。

相關產品

menu_book官方文件open_in_new