Go 语言计算向量相似度的三种常见方案

陆景行

发布时间：2026-08-25| 169人浏览过

原创

前言

用 Go 做语义检索、推荐或 RAG，向量相似度几乎一定会遇到，但真正难的通常不是公式本身，而是不同规模下该选哪条实现路径。本文把手写实现、gonum 这类数值库，以及向量数据库三种方案拆开对比，帮助你按数据量、性能要求和是否需要 ANN 检索来做判断。

用 Go 做语义检索、推荐或 RAG 时，向量相似度几乎是绕不开的一步，但真正该怎么做，往往取决于数据规模、性能要求，以及你是否需要索引检索能力。本文把 Go 里最常见的三种实现路径拆开讲：什么时候手写最省事，什么时候该用数值库提速，什么时候应该把计算和检索交给向量数据库，并给出一套足够实用的选型判断方式。

为什么向量相似度要分成几种做法

向量相似度常见于语义检索、推荐、去重、聚类等场景，但不同项目的量级差别很大。有的场景只是把几百到几千个向量放在内存里逐个比较，有的则要面对十万、百万级数据，还要做近似最近邻（ANN）检索。

这也是为什么不存在一种写法可以通吃所有情况。小数据量时，自己写几段函数已经够用；数据再往上走，单靠手写循环就会开始碰到性能和维护问题；如果还要索引、召回、Top-K 检索，那就已经进入向量数据库更擅长的范围。

因此，选方案时最核心的判断不是“哪种更高级”，而是三件事：数据量多大、是否仍在进程内计算、是否需要 ANN 检索。

方案一：手写实现，适合小规模和零依赖场景

如果你的向量数量不多，比如几百、几千条，或者你希望完全掌控打分逻辑，又不想额外引入依赖，那么直接在 Go 里手写相似度函数，是最轻量也最直接的办法。

用纸面卡片展示 Go 中三种常见向量相似度计算方式及其适用边界 — **手写相似度的三种常见写法**把余弦相似度、点积和欧氏距离放在同一张专栏纸面里，方便读者快速理解手写方案的区别与注意点。

通常用 []float64 就能完成常见的三种度量：余弦相似度、点积和欧氏距离。

余弦相似度：适合高维 embedding

余弦相似度关注的是两个向量的方向是否接近，而不是长度是否一致，因此在高维 embedding 场景里非常常见。它的返回值范围是 [-1, 1]。

// CosineSimilarity 计算两向量的余弦相似度，返回值在 [-1, 1]
func CosineSimilarity(a, b []float64) float64 {
    if len(a) != len(b) || len(a) == 0 {
        return 0
    }
    var sumAB, sumA2, sumB2 float64
    for i := range a {
        sumAB += a[i] * b[i]
        sumA2 += a[i] * a[i]
        sumB2 += b[i] * b[i]
    }
    if sumA2 == 0 || sumB2 == 0 {
        return 0
    }
    return sumAB / (math.Sqrt(sumA2) * math.Sqrt(sumB2))
}

这类写法的优点很明显：逻辑直观、依赖为零、调试也方便。对于本地排序、简单召回或实验性质的功能，已经足够实用。

点积：归一化后可以直接替代余弦

如果你的向量在进入计算前已经做过归一化，那么点积和余弦相似度在效果上通常可以视为同一回事，但实现更简单。很多召回、排序流程会直接使用点积。

// DotProduct 计算两向量的点积
func DotProduct(a, b []float64) float64 {
    if len(a) != len(b) {
        return 0
    }
    var sum float64
    for i := range a {
        sum += a[i] * b[i]
    }
    return sum
}

这里的关键不在于公式本身，而在于你是否确认了向量已经归一化。这个前提如果不成立，点积和余弦的语义就不再相同，结果也可能偏离预期。

欧氏距离：适合直接衡量“距离有多远”

欧氏距离描述的是两个点之间的直线距离，数值越小，通常说明越接近。它本身是“距离”，如果业务上更想要“相似度”，可以再做一层转换，例如使用 1/(1+distance) 这样的形式。

展示数值库、向量数据库与 Go 业务层的分工关系和组合使用路径 — **从手写到向量库的选型路径**这张图强调三种方案不是互斥关系，而是会随着规模和需求逐步演进，也可以在同一系统中组合使用。

// EuclideanDistance 计算欧氏距离
func EuclideanDistance(a, b []float64) float64 {
    if len(a) != len(b) {
        return math.MaxFloat64
    }
    var sum float64
    for i := range a {
        diff := a[i] - b[i]
        sum += diff * diff
    }
    return math.Sqrt(sum)
}

欧氏距离更像是在回答“差多少”，而余弦更像是在回答“方向像不像”。两者适用场景并不完全相同，不能简单互换。