Merge branch 'VectorFunction-and-VectorIndex' of https://github.com/E…

…ricZequan/docs-cn into pr/18502

vector-search-data-types.md

@@ -14,6 +14,7 @@ summary: 本文介绍 TiDB 的向量数据类型。
 
 与使用 [`JSON`](/data-type-json.md) 类型相比，使用向量类型具有以下优势：
 
+- 支持向量索引。 可以通过构建[向量搜索索引](/vector-search-index.md)加速查询。
 - 可指定维度。指定一个固定维度后，不符合维度的数据将被阻止写入到表中。
 - 存储格式更优。向量数据类型针对向量数据进行了特别优化，在空间利用和性能效率上都优于 `JSON` 类型。
 
@@ -52,7 +53,8 @@ ERROR 1105 (HY000): Invalid vector text: [5, ]
 ERROR 1105 (HY000): vector has 2 dimensions, does not fit VECTOR(3)
 ```
 
-可参阅[向量函数与操作符](/vector-search-functions-and-operators.md)了解向量数据类型支持的所有函数和操作符。
+可参阅 [向量函数与操作符](/vector-search-functions-and-operators.md) 了解向量数据类型支持的所有函数和操作符。
+可参阅 [向量搜索索引](/vector-search-index.md) 了解向量搜索索引的信息。
 
 ## 混合存储不同维度的向量
 
@@ -68,6 +70,8 @@ INSERT INTO vector_table VALUES (1, '[0.3, 0.5, -0.1]'); -- 3 dimensions vector,
 INSERT INTO vector_table VALUES (2, '[0.3, 0.5]');       -- 2 dimensions vector, OK
 ```
 
+但是，我们不能为存储了不同维度的向量列构建 [向量搜索索引](/vector-search-index.md)，因为向量距离只能在具有相同维度的向量之间计算。
+
 ## 比较
 
 [比较运算符](/vector-search-functions-and-operators.md#扩展的内置函数和运算符) 如 `=`, `!=`, `<`, `>`, `<=` 和 `>=` 等都能正常对向量数据进行比较。可参阅[向量函数与操作符](/vector-search-functions-and-operators.md#扩展的内置函数和运算符)了解向量数据类型支持的所有函数和操作符。
@@ -239,4 +243,5 @@ ERROR 1105 (HY000): vectors have different dimensions: 1 and 3
 
 ## 另请参阅
 
-- [向量函数和操作符](/vector-search-functions-and-operators.md)
+- [向量函数和操作符](/vector-search-functions-and-operators.md)
+- [向量搜索索引](/vector-search-index.md)

vector-search-improve-performance.md

@@ -17,7 +17,7 @@ summary: 了解优化 TiDB 向量搜索性能的最佳实践。
 
 ## 减少向量维数或缩短嵌入时间
 
-随着向量大小的增加，向量搜索索引和查询的计算复杂度会显著增加，因为这意味着要进行更多的浮点数比较运算。
+随着向量维度大小的增加，向量搜索索引和查询的计算复杂度会显著增加，因为这意味着要进行更多的浮点数比较运算。
 
 为了优化性能，可以考虑尽可能地减少向量的维数。这通常需要切换到另一种嵌入模型。在切换模型时，你需要确保改变嵌入模型对向量查询准确性的影响。
 

vector-search-index.md

@@ -26,7 +26,7 @@ TiDB 目前支持以下向量搜索索引算法：
         id       INT PRIMARY KEY,
         data     VECTOR(5),
         data64   VECTOR64(10),
-        VECTOR INDEX data USING HNSW ((VEC_COSINE_DISTANCE(data)))
+        VECTOR INDEX idx_data USING HNSW ((VEC_COSINE_DISTANCE(data)))
     );
     ```
 
@@ -122,7 +122,7 @@ CREATE TABLE docs (
     ver VARCHAR(10),
     doc TEXT,
     embedding VECTOR(3),
-    VECTOR INDEX embedding USING HNSW ((VEC_COSINE_DISTANCE(embedding)))
+    VECTOR INDEX idx_embedding USING HNSW ((VEC_COSINE_DISTANCE(embedding)))
 ) PARTITION BY LIST COLUMNS (ver) (
     PARTITION p_v1_0 VALUES IN ('v1.0'),
     PARTITION p_v1_1 VALUES IN ('v1.1'),

vector-search-integrate-with-django-orm.md

@@ -225,6 +225,22 @@ Document.objects.create(content="fish", embedding=[1, 2, 4])
 Document.objects.create(content="tree", embedding=[1, 0, 0])
 ```
 
+#### 用索引定义优化的向量列
+
+定义三维向量列，并使用 [向量搜索索引 (HNSW 索引)](/vector-search-index.md) 对其进行优化。
+
+```python
+class DocumentWithIndex(models.Model):
+   content = models.TextField()
+   # Note:
+   #   - Using comment to add hnsw index is a temporary solution. In the future it will use `CREATE INDEX` syntax.
+   #   - Currently the HNSW index cannot be changed after the table has been created.
+   #   - Only Django >= 4.2 supports `db_comment`.
+   embedding = VectorField(dimensions=3, db_comment="VECTOR INDEX idx_embedding USING HNSW ((VEC_COSINE_DISTANCE(embedding)))")
+```
+
+TiDB 将使用该索引来加速基于余弦距离函数的向量搜索查询。
+
 ### 搜索近邻向量
 
 TiDB 向量支持以下距离函数：
@@ -254,4 +270,5 @@ results = Document.objects.annotate(
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
+- [向量数据类型](/vector-search-data-types.md)
+- [向量搜索索引](/vector-search-index.md)

vector-search-integrate-with-peewee.md

@@ -223,6 +223,22 @@ Document.create(content='fish', embedding=[1, 2, 4])
 Document.create(content='tree', embedding=[1, 0, 0])
 ```
 
+#### 用索引定义优化的向量列
+
+定义三维矢量列，并使用 [向量搜索索引](/vector-search-index.md) (HNSW 索引) 对其进行优化。
+
+```python
+class DocumentWithIndex(Model):
+    class Meta:
+        database = db
+        table_name = 'peewee_demo_documents_with_index'
+
+    content = TextField()
+    embedding = VectorField(3, constraints=[SQL("VECTOR INDEX idx_embedding USING HNSW ((VEC_COSINE_DISTANCE(embedding)))")])
+```
+
+TiDB 将使用该索引来加速基于余弦距离函数的向量搜索查询。
+
 ### 搜索近邻向量
 
 可以选择使用余弦距离 (`CosineDistance`) 函数，查询与向量 `[1, 2, 3]` 语义最接近的前 3 个 `document`。
@@ -244,4 +260,5 @@ results = Document.select(Document, distance).where(distance_expression < 0.2).o
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
+- [向量数据类型](/vector-search-data-types.md)
+- [向量搜索索引](/vector-search-index.md)

vector-search-integrate-with-sqlalchemy.md

@@ -188,6 +188,20 @@ with Session(engine) as session:
    session.commit()
 ```
 
+#### 用索引定义优化的矢量列
+
+定义三维矢量列，并使用 [向量量搜索索引](/vector-search-index.md) (HNSW 索引)对其进行优化。
+
+```python
+class DocumentWithIndex(Base):
+    __tablename__ = 'sqlalchemy_demo_documents_with_index'
+    id = Column(Integer, primary_key=True)
+    content = Column(Text)
+    embedding = Column(VectorType(3), comment="VECTOR INDEX idx_embedding USING HNSW ((VEC_COSINE_DISTANCE(embedding)))")
+```
+
+TiDB 将使用该索引来加速基于余弦距离函数的矢量搜索查询。
+
 ### 搜索近邻向量
 
 可以选择使用余弦距离 (`CosineDistance`) 函数，查询与向量 `[1, 2, 3]` 语义最接近的前 3 个 `document`。

vector-search-limitations.md

@@ -9,6 +9,7 @@ summary: 了解 TiDB 向量搜索功能的限制。
 
 - 向量最大支持 16383 维。
 - 向量数据中不支持 `NaN`、`Infinity` 和 `-Infinity` 浮点数。
+- 创建 [向量搜索索引](/vector-search-index.md) 时只支持余弦距离和L2距离。
 - 目前，向量数据类型不支持存储双精度浮点数（该功能计划在未来的版本中支持）。当向 TiDB 中的向量字段插入或存储数据时，如果这些数据的类型是双精度浮点数，TiDB 会将这些双精度浮点数自动转换为单精度浮点数。
 
 ## 反馈