昨天我們聊到文件切分與向量化，但要讓小幫手真的能「記住」這些向量，就需要一個地方來存放──這就是向量資料庫。

常見的有兩種方式：

pgvector：這是一個 PostgreSQL 的延伸套件，能讓你在資料庫裡直接存向量，並且支援相似度搜尋。好處是它和傳統資料表整合得很好，適合同時要存文字、時間、作者等結構化資料。缺點是速度可能沒有專門的向量引擎快。

FAISS：由 Facebook AI 開發的開源工具，專門處理大規模向量搜尋。它的查詢速度非常快，而且支援 GPU 加速，適合做實驗或需要高效檢索的情境。不過缺點是它比較偏向「純粹做向量」，不太適合處理複雜的資料結構。

簡單理解：

pgvector = 萬用型選手，能同時管資料與向量。

FAISS = 田徑短跑冠軍，專精在快速搜尋相似向量。

如果你只是想在本地快速測試 RAG，小規模專案用 FAISS 就很方便；如果未來要做比較完整的系統（像知識庫管理），那 pgvector 可能更合適。

所以，今天的總結就是：幫 AI 小幫手找一個家，向量才能真正發揮作用。沒有資料庫，就好像小幫手每次都要「重新讀書」，效率很差。