1. 项目概述:当传统搜索遇上向量时代
最近在帮一个电商客户优化商品搜索系统时,传统的关键词匹配遇到了瓶颈——用户搜索"适合海边度假的裙子",系统只会机械地匹配"海边"、"度假"、"裙子"这些关键词,完全不懂"波西米亚风长裙"或"防晒沙滩裙"也应该被召回。这正是向量搜索(Vector Search)大显身手的场景。
微软最新开源的Microsoft.Extensions.AI和Microsoft.Extensions.VectorData这两个库,让.NET开发者可以像搭积木一样快速构建基于语义理解的智能搜索系统。不同于传统的倒排索引,向量搜索先将文本、图像等数据转换为高维向量(一组数字),通过计算向量间的距离(如余弦相似度)找到语义相近的内容。比如"汽车"和"机动车"这两个词虽然字面不同,但在向量空间中的位置非常接近。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心组件解析
2.1 Microsoft.Extensions.AI:语义理解的桥梁
这个库的核心价值在于提供了统一的AI功能抽象。以文本嵌入(Text Embedding)为例,安装NuGet包后只需几行代码就能调用Azure OpenAI或本地模型:
csharp复制services.AddOpenAITextEmbeddingGeneration(
"text-embedding-ada-002", // 模型名称
Environment.GetEnvironmentVariable("OPENAI_API_KEY"));
实际测试中,text-embedding-3-small模型在商品标题数据集上,相比传统关键词搜索的准确率提升了47%。但要注意:
生产环境建议配置重试策略和超时设置,特别是调用云服务时。我们曾因未设置超时导致线程池耗尽,整个服务雪崩。
2.2 Microsoft.Extensions.VectorData:向量存储的瑞士军刀
目前支持的内存型(VolatileVectorStore)和磁盘型(SimpleVectorFileStore)两种存储方式各有优劣:
| 存储类型 | 写入速度 | 查询速度 | 持久化 | 适用场景 |
|---|---|---|---|---|
| 内 |
