大网数据广告活动
数据库部署与 SQL 参考

通过 SQL 快速上手 TiDB + AI

· 52CE 我爱测

本文档演示了如何仅使用 SQL 语句快速上手 TiDB 向量搜索。你将学习如何使用 MySQL 命令行客户端完成以下操作:

通过 SQL 快速上手 TiDB + AI

TiDB 扩展了 MySQL 语法以支持向量搜索,并引入了新的向量数据类型以及若干向量函数。

本文档演示了如何仅使用 SQL 语句快速上手 TiDB 向量搜索。你将学习如何使用 MySQL 命令行客户端完成以下操作:

  • 连接到 TiDB。
  • 创建向量表。
  • 存储向量嵌入。
  • 执行向量搜索查询。

注意:

前置条件

要完成本文档中的步骤,你需要:

如果你还没有 TiDB 集群,可以按如下方式创建:

快速上手

步骤 1. 连接到 TiDB {#step-1-connect-to-tidb}

根据你选择的 TiDB 部署方式连接到 TiDB。

  1. 前往 My TiDB 页面,然后点击目标 {{{ .starter }}} 实例的名称,进入其实例概览页面。

  2. 点击右上角的 Connect。此时会显示连接对话框。

  3. 在连接对话框中,从 Connect With 下拉列表中选择 MySQL CLI,并保持 Connection Type 为默认的 Public。

  4. 如果你尚未设置密码,点击 Generate Password 生成一个随机密码。

  5. 复制连接命令并粘贴到终端中。以下是 macOS 的示例:

    mysql -u '<prefix>.root' -h '<host>' -P 4000 -D 'test' --ssl-mode=VERIFY_IDENTITY --ssl-ca=/etc/ssl/cert.pem -p'<password>'
    

启动 TiDB Self-Managed 集群后,在终端中执行集群连接命令。

以下是 macOS 的连接命令示例:

mysql --comments --host 127.0.0.1 --port 4000 -u root

步骤 2. 创建向量表

在创建表时,你可以通过指定 VECTOR 数据类型,将某一列定义为向量列。

例如,要创建一个包含三维 VECTOR 列的 embedded_documents 表,可在 MySQL CLI 中执行如下 SQL 语句:

USE test;
CREATE TABLE embedded_documents (
    id        INT       PRIMARY KEY,
    -- Column to store the original content of the document.
    document  TEXT,
    -- Column to store the vector representation of the document.
    embedding VECTOR(3)
);

预期输出如下:

Query OK, 0 rows affected (0.27 sec)

步骤 3. 向表中插入向量嵌入

向 embedded_documents 表中插入三条带有向量嵌入的文档:

INSERT INTO embedded_documents
VALUES
    (1, 'dog', '[1,2,1]'),
    (2, 'fish', '[1,2,4]'),
    (3, 'tree', '[1,0,0]');

预期输出如下:

Query OK, 3 rows affected (0.15 sec)
Records: 3  Duplicates: 0  Warnings: 0

注意

本示例简化了向量嵌入的维度,仅使用三维向量进行演示。

在实际应用中,嵌入模型通常会生成数百甚至数千维的向量嵌入。

步骤 4. 查询向量表

为验证文档是否已正确插入,可查询 embedded_documents 表:

SELECT * FROM embedded_documents;

预期输出如下:

+----+----------+-----------+
| id | document | embedding |
+----+----------+-----------+
|  1 | dog      | [1,2,1]   |
|  2 | fish     | [1,2,4]   |
|  3 | tree     | [1,0,0]   |
+----+----------+-----------+
3 rows in set (0.15 sec)

步骤 5. 执行向量搜索查询

与全文搜索类似,用户在使用向量搜索时会向应用提供搜索词。

本例中,搜索词为 “a swimming animal”,其对应的向量嵌入假定为 [1,2,3]。在实际应用中,你需要使用嵌入模型将用户的搜索词转换为向量嵌入。

执行如下 SQL 语句,TiDB 会通过计算并排序表中向量嵌入与 [1,2,3] 的余弦距离(vec_cosine_distance),找出距离最近的三条文档。

SELECT id, document, vec_cosine_distance(embedding, '[1,2,3]') AS distance
FROM embedded_documents
ORDER BY distance
LIMIT 3;

预期输出如下:

+----+----------+---------------------+
| id | document | distance            |
+----+----------+---------------------+
|  2 | fish     | 0.00853986601633272 |
|  1 | dog      | 0.12712843905603044 |
|  3 | tree     |  0.7327387580875756 |
+----+----------+---------------------+
3 rows in set (0.15 sec)

搜索结果中的三条数据按照与查询向量的距离升序排列:距离越小,document 与搜索向量的相关性越高。

因此,根据输出,最有可能的“swimming animal”是 fish,其次可能是会游泳的 dog。

另请参阅

本文来自 PingCAP / TiDB 文档贡献者,按 CC BY-SA 3.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。

资料来源与适用范围

资料来源
PingCAP / TiDB 文档贡献者
适用范围
master 文档快照(2026-11-16)
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
CC BY-SA 3.0

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。