专用的向量数据库，原生就支持各种向量运算，如点积、余弦相似度等。这些数据库专为处理高维度数据而设计，能够应对大量查询请求，并能迅速完成向量间的相似性搜索。 支持向量的SQL数据库（例如pgvector），SQL数据库通过它们的向量支持扩展，提供了一种将向量数据整合到现有数据存储系统中的方式。这类数据库在构建索引和处理大量向量数据时性能表现并不理想，更适合于向量数据量较小（少于10万个向量）且向量数据仅作为应用程序的一个补充功能的场景。相反，如果向量数据是应用的核心，或者对可扩展性有较高要求，专用向量数据库就会是更合适的选择。 支持向量的NoSQL数据库（例如Redis），NoSQL数据库中新增加的向量支持功能尚属初级阶段，且尚未经过充分的时间验证。 全文搜索数据库（例如ElasticSearch）能支持比较全面的文本检索和高级分析功能。但是当涉及到执行向量相似性搜索和处理高维度数据时，它们与专门的向量数据库相比就不够强了。这些数据库往往需要与其他工具搭配使用才能实现语义搜索，因为它们主要依赖于倒排索引而不是向量索引。
混合搜索还是关键词搜索？关键词 + 矢量搜索的混合搜索可产生最佳结果，每个矢量数据库供应商都意识到了这一点，并提供了自己的定制混合搜索解决方案 本地部署还是云原生？许多供应商大力推销“云原生”，好像基础设施是世界上最大的痛点，但从长远来看，本地部署可能更经济，因此也更有效 开源还是完全托管？大多数供应商都基于源代码可用或开源代码库构建，以展示其底层方法，然后将管道的部署和基础设施部分货币化（通过完全托管的 SaaS）。仍然可以自行托管其中许多，但这需要额外的人力和内部技能要求。
