一、如何新建向量数据库？
3. 按照所选择的规格、所选择的计费方式，购买业务所需的数据库实例。具体操作，请参见 购买实例。
二、图像、文本、音视频等这些非结构化数据如何转换为向量数据来存储？
·AI 套件是腾讯云向量数据库（Tencent Cloud VectorDB）提供的一站式文档检索解决方案，包含自动化文档解析、信息补充、向量化、内容检索等能力。用户仅需上传原始文档，数分钟内即可快速构建专属知识库，大幅提高知识接入效率。具体信息，请参见 AI 套件。
·Embedding 功能是腾讯云向量数据库（Tencent Cloud VectorDB）提供将非结构化数据转换为向量数据的能力，目前已支持文本 Embedding 模型，能够覆盖多种主流语言的向量转换，包括但不限于中文、英文。具体信息，请参见 Embedding。
·图像、音频当前暂不支持，后续将逐步推出，请关注 产品动态。
三、连接向量数据库失败，如何处理？
·向量数据库支持内网访问，如果连接失败，建议你从以下方面进行排查：
·请检查云服务器 CVM 和向量数据库实例是否内网互通。
·CVM 与 向量数据库是否属于同一 VPC。
·安全组是否配置正确。使用腾讯云 CVM 连接腾讯云向量数据库（Tencent Cloud VectorDB），在腾讯云 CVM 安全组中需配置出站规则，把腾讯云向量数据库的 IP 及端口添加到出站规则中。在腾讯云向量数据库安全组中配置入站规则，把 CVM 的 IP 地址及向量数据库的端口添加到入站规则中，才能连接成功。
·请求中的 API Key 是否获取正确。
·向量数据库支持外网访问，如果连接失败，建议你从以下方面排查：
·请检查外网访问的白名单列表是否配置正确。具体操作，请参见 开启外网访问。
·请确认 API Key 是否配置正确。
四、如何选择适合自己应用的向量数据库？
购买实例之前，请了解向量数据库所支持的实例类型、节点类型与节点规格，选择与业务场景高度匹配的数据库实例。具体如何评估并选择，请参见 规格选型。
五、如何在向量数据库中写入数据？
1. 掌握数据库设计的逻辑架构，使用向量数据库的 SDK 与 API 接口写入数据都是遵循逻辑架构而设计。具体信息请参见 设计架构。
2. 掌握向量数据库支持的索引类型、与相似度计算方式，以便更顺利地应用 SDK 与 API 接口。具体信息请参见 索引与计算。
3. 掌握向量数据库支持的检索方法，以便在不同的场景选择合适的检索方法。具体信息请参见 检索方法。
4. 掌握控制台管理数据库实例的操作指引，以便快速高效管理实例的生命周期。具体操作请参见 管理实例。
5. 向量数据库提供 Python SDK、Java SDK、Go SDK 以及 HTTP API ，辅助你快速访问向量数据库。第一次体验数据库的写入检索能力，请参见 第一次相似性检索。
6. SDK 安装、接口应用示例、错误码返回信息，请参见 SDK 参考。
六、如何使用向量数据库进行相似度搜索？
·相似度检索是基于多维向量进行 相似度计算 的检索方式。相似度计算通过计算查询向量与数据库存储的向量之间的相似度，找到与查询的多维向量最相似的文档。当前支持的检索方式，请参见 检索方法。
·第一次体验数据库的相似性检索能力，请参见 第一次相似性检索。
·Python SDK、Java SDK、Go SDK 以及 HTTP API 相似性检索的接口，请参见 SDK 参考。
七、与传统的数据库相比，向量数据库有哪些特点？
向量数据库更适用于 AI 运算、检索场景，数据接入效率是传统方案的10倍。相较传统数据库具体有以下几个特点：
·数据规模不同，能够高效处理大规模数据
对于传统数据库而言，1亿条数据已经是很大的业务流量。然而在向量数据库面向的场景中，单索引数据量可能达到千万级、甚至亿级别，单条向量数据的维度也会达到上千维。
·查询方式不同，支持近似查找
传统数据库的查找方式都属于精确查找，而向量数据库通常是近似查找，即返回和输入内容最相近的 TOP K 条数据。
·场景不同
向量数据库更适用于 AI 运算、检索场景，能够高效支持大模型的接入和运算。
八、腾讯云向量数据库怎么删除实例资源？
1. 在向量数据库控制台，操作退还实例资源。具体信息，请参见 自助退还实例。
2. 相关退还计费规则，请参见 退费说明。查看退费进度与明细，请参见 查看费用账单。
九、插入的向量数据为何有精度损失？
向量数据库支持存储的向量数值类型为单精度浮点型（Single-precision floating-point），又称 FP32 或 float32。单精度浮点型具有32位（即4字节）的宽度。这32位被分为三个部分：
·符号位（Sign bit）：1位，用于表示数值的正负。
·指数位（Exponent bits）：8位，用于表示数值的范围。
·尾数位（Mantissa or Fraction bits）：23位，用于表示数值的精度。
若传入的向量数据精度超出上述表达范围，将自动近似到单精度表达范围内的最近值，也就发生了“精度损失”。