SQLite凭借其轻量、快速和经过实战检验的特性，广泛应用于各种系统，从大型系统到微型嵌入式设备，甚至网络浏览器和Android手机都依赖于它。 如今，AI技术日新月异，大型语言模型（LLMs）也正朝着小型化、高效化的方向发展。通过量化等技术手段，LLMs 的体积不断缩小，效率不断提升。 当LLMs 能够在小型设备上本地运行时，对存储空间的需求也随之降低，而SQLite正是满足这一需求的理想选择。
然而，我们不妨更进一步思考：如果我们不仅将SQLite用作存储引擎，还将其用于向量计算呢？在AI领域，LLMs 依赖于向量和嵌入——文本本质的数字表示。虽然PostgreSQL拥有用于向量搜索的pgvector扩展，但我们也可以探索如何将SQLite打造成强大的向量数据库。
本文将指导您如何在Node.js中构建一个基于SQLite的向量数据库，用于构建检索增强型生成应用程序（RAG）。
准备工作：数据准备与数据库设置
首先，克隆包含数据文件夹的项目仓库。该文件夹包含来自白皮书的文本片段，非常适合用于测试嵌入。
git clone https://github.com/sfundomhlungu/nodejs-vectordb.git
注意： 原始代码较为简略，为了方便理解，建议您创建一个新的文件夹，将数据文件夹复制到其中，然后初始化一个新的Node.js项目。 最终目录结构如下：
vectordb/ ├── data/ ├── embed.js └── index.js
安装必要的依赖包：
pnpm add better-sqlite3 ollama uuid
这将安装SQLite3驱动、用于生成嵌入的Ollama库以及UUID生成库。 确保您已安装Ollama并配置好API密钥。
数据库播种：嵌入生成与存储
打开embed.js文件，您将看到数据库的创建和嵌入表定义。 关键字段包括sessid（用于模拟会话）和embeddings（用于存储向量嵌入）。
动态WEB网站中的PHP和MySQL详细反映实际程序的需求，仔细地探讨外部数据的验证(例如信用卡卡号的格式)、用户登录以及如何使用模板建立网页的标准外观。动态WEB网站中的PHP和MySQL的内容不仅仅是这些。书中还提到如何串联JavaScript与PHP让用户操作时更快、更方便。还有正确处理用户输入错误的方法，让网站看起来更专业。另外还引入大量来自PEAR外挂函数库的强大功能，对常用的、强大的包
读取数据文件夹中的文本文件，并使用Ollama生成每个文件的嵌入向量：
// ... (导入必要的模块) ...
async function embed(content, meta) {
const res = await ollama.embed({
model: "mxbai-embed-large",
truncate: true,
input: content,
});
// ... (将嵌入向量转换为Float32Array并保存到数据库) ...
}
// ... (读取数据文件并调用embed函数) ...
向量搜索：余弦相似度计算与相似文档检索
接下来，在index.js中实现余弦相似度计算函数和向量搜索函数。 该函数将用户查询嵌入到向量空间，并在数据库中查找最相似的文档。
// ... (导入必要的模块) ...
function cosineSimilarity(v1, v2) {
// ... (计算余弦相似度) ...
}
async function checkSimilarity(userQuery, session) {
// ... (生成用户查询的嵌入向量，并在数据库中查找最相似的文档) ...
}
// ... (实现与模型聊天的函数) ...
性能优化：使用原生模块提升效率
为了提升性能，可以使用vector-sqlite3原生模块。 安装该模块后，更新代码以启用原生向量函数：
import sqlitevector from 'vector-sqlite3';
// ... (数据库连接) ...
sqlitevector(db, { usenative: ["cosine_similarity", "l2_distance", "dot_product"] });
这将使用优化的原生函数来计算余弦相似度，显著提升搜索速度。
总结
本文简要介绍了如何在Node.js中使用SQLite构建向量数据库，并利用Ollama生成文本嵌入。 通过使用原生模块，可以进一步优化性能。 您可以根据实际需求调整模型和参数，以获得最佳的检索效果。 完整的代码和更详细的说明请参考原始仓库。
