知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 04 - 向量数据库 > 导读:本文从"我已经有 PostgreSQL / Elasticsearch 了,为什么还要再引入一个向量数据库"这个面试高频疑问出发,把向量数据库的定位、四种主流 ANN 索引算法(Flat、IVF、HNSW、PQ)的原理与取舍、主流产品对比与选型、Chroma/FAISS 代码实战、HNSW 关键参数以及工程踩坑讲透,最后给出选型决策路径。适合正在为 RAG 选存储方案、或面试中被追问"ANN 索引原理"的同学。 ## 一、先建立全局认知 ### Q:为什么需要向量数据库?传统数据库不行吗? A:结论先行——因为传统数据库擅长**精确匹配**(如 `WHERE name = 'Alice'`),而 RAG 需要的是"**找最相似的**",这两类查询的执行方式完全不同。 ```text 传统数据库:SELECT * FROM docs WHERE id = 123 → 精确匹配 向量数据库:找到与 query_vector 最相似的 Top-K 个向量 → 近似搜索 ``` 差异的根源在于数据规模和查询形态: - **精确匹配可以用索引(B+ 树、倒排索引)直接定位**。给定一个值,数据库能在很短时间内找到它,因为"等于"是一个有明确结构的条件。 - **"最相似"没有可以快速定位的结构**。理论上必须把查询向量和库里每一条向量都算一遍相似度,再排序取前 K。当向量达到百万、千万、上亿级时,这个全量计算是无法接受的。 - **向量数据库的存在意义,就是把"全量比对"变成"只比对一小部分、但结果足够好"**。这就是 ANN(Approximate Nearest Neighbor,近似最近邻)搜索。 一句话总结定位:**向量数据库不是"存向量的数据库",而是"为高维向量相似度搜索而优化的检索引擎"**。存储只是它的基础功能,索引结构和检索算法才是它的核心价值。 ### Q:为什么是"近似"最近邻,而不是精确最近邻? A:结论先行——因为精确最近邻必须全量比对,成本随数据量线性增长;近似搜索用"牺牲极少量召回"换取数量级的加速,是工程上必然的取舍。 这个取舍可以用一张对比表理解: ```text 方案 搜索范围 结果 速度 适用规模 精确搜索 全部向量 100% 精确 慢 小数据集 近似搜索 部分候选向量 接近精确(召回高)快 大规模 ``` 关键的工程洞见是:**RAG 并不需要"绝对最相似的那一条"**。它需要的是"Top-K 里包含相关答案"。哪怕近似搜索漏掉了几条排名很靠后的边缘结果,只要真正相关的那几条还在 Top-K 里,最终答案就不受影响。而 ANN 用这点精度换来的是几倍到几百倍的加速——这是它能在大规模场景立足的根本原因。 所以面试时回答"为什么用 ANN",最有力的角度不是"因为它快",而是"因为**业务对召回的要求是'足够高'而非'100% 精确'**,所以可以拿一点点精度换速度"。 ### Q:向量数据库和 Elasticsearch 有什么区别? A:结论先行——Elasticsearch 以倒排索引为核心,强于关键词/全文检索;向量数据库以 ANN 索引为核心,强于语义相似检索;两者的交集是"都支持向量",但设计目标不同。 可以从三个维度比较: - **索引结构**:ES 的倒排索引解决"哪些文档包含这个词";向量库的 HNSW/IVF 解决"哪些向量离这个查询最近"。 - **查询语义**:ES 面向精确的词项匹配与布尔组合;向量库面向模糊的语义近似。 - **扩展方向**:ES 也能加向量字段做 kNN 检索,但如果向量检索是主场景,专门的向量库在索引结构、参数调优和规模承载上通常更贴合。 这也解释了为什么工程上常见的组合是"ES 做关键词召回 + 向量库做语义召回",再融合两边结果——即后续章节要讲的混合检索。 ## 二、核心索引算法 ### Q:Flat(暴力搜索)是什么?什么时候还能用? A:结论先行——Flat 就是把查询向量和库里每一个向量都算一遍相似度,取 Top-K。它精确但慢,复杂度为 O(n × d),只适合小数据集。 ```text 和每个向量都算一遍相似度,取 Top-K 精确但慢:O(n × d),n=向量数,d=维度 适合小数据集(< 10 万条) ``` 这里的 `O(n × d)` 值得重视,因为它揭示了两个成本驱动因素: - **n(向量数)**:向量越多越慢,且是线性增长。 - **d(维度)**:维度越高,每次乘加运算越多。所以前文讲的"降维能省成本"在这里得到了呼应。 Flat 的价值不在于"生产可用",而在于它是**精度的黄金标准**:当你调 HNSW 参数想知道"召回损失了多少"时,就用 Flat 的结果作为基准对比。另外,对十万条以内的数据,Flat 的延迟往往也在可接受范围,此时它的"零调参、零近似误差"反而是优点。 ### Q:IVF(倒排文件索引)是怎么加速的? A:结论先行——IVF 先用 K-Means 把向量聚成若干簇,查询时只在最近的几个簇内搜索,从而把搜索空间大幅缩小。  *图:IVF 聚类检索——只搜索最近的簇* ```text 先用 K-Means 把向量聚成若干簇 查询时只在最近的几个簇中搜索 ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ │簇 1 │ │簇 2 │ │簇 3 │ │簇 4 │ │ ●●● │ │ ●● │ │●●●● │ │ ●●● │ └─────┘ └─────┘ └─────┘ └─────┘ 查询向量最近的簇是 3 → 只在簇 3 中搜索 nprobe=2 → 搜索最近的 2 个簇 速度快,但可能漏掉其他簇中的相似向量 ``` 理解 IVF 抓住两个点: - **聚类是"建索引时"做的**,属于离线成本;`nprobe` 是"查询时"用来决定探查几个簇的参数,属于在线可调参数。 - **`nprobe` 是精度与速度的旋钮**:设为 1 最快但召回最低,调大则召回上升、延迟上升。这正是"近似"的来源——如果查询向量的最近邻恰好落在一个离查询中心较远的簇里,只探少数几个簇就会漏掉它。 所以 IVF 的权衡本质是:**用"聚类边界"换来搜索空间的缩小,代价是边界附近的向量可能被漏掉**。 ### Q:HNSW 为什么成为最主流的 ANN 算法? A:结论先行——它用多层图结构实现"上层稀疏快速定位、下层稠密精确搜索",兼顾查询速度与召回率,是目前最主流的 ANN 算法,代价是内存占用较大。  *图:HNSW 三层图:上层稀疏跳转,下层稠密精确搜索* ```text 构建多层图结构,上层稀疏(快速定位),下层稠密(精确搜索) Layer 2: A ─── B ─── C (稀疏,快速跳转) Layer 1: A ─ D ─ B ─ E ─ C (中等密度) Layer 0: A D F B G E H C I (稠密,精确搜索) 查询时从最上层开始,逐层向下,越来越精确 类似跳表的思想 优点:查询速度快,召回率高 缺点:内存占用大(需要存储图结构) 目前最主流的 ANN 算法 ``` 理解 HNSW(Hierarchical Navigable Small World,分层可导航小世界)的关键是那个"类似跳表"的类比: - **跳表**用多级链表实现"先在稀疏层大步跳、再在稠密层细找",从而把查找从线性降到对数级。 - **HNSW** 把同样的思想搬到图结构上:上层节点少、连接长,能快速逼近目标区域;下层节点多、连接密,能精确定位。 由此可以自然地推出它的优缺点: - **优点**:查询路径短,速度快;因为逐层收敛,召回率高。 - **缺点**:图结构本身要驻留内存,**内存占用大**;建索引比 IVF 更慢。 这也是工程选型的核心判断点:**HNSW 是"用内存换速度与精度"的方案**。如果内存预算紧张但数据量极大,就会转向 IVF 系列或 PQ 压缩。 ### Q:PQ(乘积量化)解决了什么问题? A:结论先行——PQ 通过把高维向量切段压缩成短编码,大幅降低存储与计算量,适合亿级数据集,但精度有损失,通常与 IVF 结合使用。 ```text 将高维向量压缩成短编码,减少存储和计算量 原始向量 (1536 维) → 压缩为 (64 个子向量 × 8 bit 编码) = 64 字节 存储减少 ~96% 适合超大规模数据集(亿级) 精度有损失,通常和 IVF 结合使用(IVF-PQ) ``` 解读这个压缩例子:把 1536 维切成 64 个子向量,每个子向量用一个 8 bit 的编码(即选择一个"代表向量"的编号)代替,最终每条向量只占 64 字节。原文给出的经验是**存储可减少约 96%**——这是数量级的收益,也是它能支撑亿级数据的根本原因。 代价同样清楚:**量化是有损压缩**。用一个编码近似代替原始子向量,必然引入误差,检索精度下降。所以实践中常见的组合是 **IVF-PQ**: - IVF 负责"把搜索范围从全库缩到几个簇"(减少候选数量); - PQ 负责"把每个候选的比较变便宜"(减少单次比较成本)。 两者叠加,才能在亿级规模上同时控制延迟与内存成本。 ### Q:四种索引算法怎么对比选型? A:结论先行——小数据用 Flat,追求速度与精度用 HNSW,超大规模内存受限用 IVF-PQ,纯离线批处理可用 FAISS 的多种索引组合。 ```text 算法 核心思路 精度 速度 内存 适用规模 Flat 全量比对 精确 慢 中 小(< 10 万) IVF 分簇后局部搜索 近似 快 中 中大 HNSW 多层图逐层导航 近似(高) 很快 大 中大规模(主流) PQ 向量压缩编码 近似(有损) 快 很小 超大规模(亿级) ``` 选型的思考顺序建议是: - **数据量小(十万以内)**:直接用 Flat,省掉调参和精度损失。 - **中等规模、内存充足**:HNSW,是当前默认首选。 - **超大规模、内存敏感**:IVF-PQ 或 HNSW + 量化。 - **纯离线大批量计算、不追求低延迟**:FAISS 库的多种索引实现可作为计算引擎。 要注意的是:**没有"最好的算法",只有"最匹配当前规模与预算的算法"**。同一套业务在数据从十万涨到上亿的过程中,索引选型本来就应该改变。  *图:向量数据库的 ANN 索引:Flat、IVF、HNSW 与 PQ 的速度、召回和内存取舍* ## 三、主流向量数据库与选型 ### Q:主流向量数据库有哪些?各自特点是什么? A:结论先行——按"部署形态"可分为嵌入式、库、独立服务、分布式、全托管、数据库扩展六类,各有明确的适用边界。  *图:主流向量数据库对比与选型* ```text 数据库 类型 特点 适用场景 ────────────────────────────────────────────────────────────── Chroma 嵌入式 轻量、Python 原生、开发友好 原型开发、小项目 FAISS 库 Meta 开源、性能极高、纯本地 大规模离线检索 Milvus 分布式 云原生、支持亿级数据 生产环境、大规模 Qdrant 独立服务 Rust 实现、性能好、API 友好 中小规模生产 Weaviate 独立服务 支持混合检索、GraphQL API 需要混合检索 Pinecone 全托管 零运维、按需付费 不想管基础设施 pgvector PG 扩展 基于 PostgreSQL、SQL 兼容 已有 PG 的项目 ``` 把它们按"部署成本的递增"串起来理解,选型就清晰了: - **嵌入式(Chroma)**:装个包就能用,随应用进程运行,没有独立服务要运维,天然适合原型。 - **库(FAISS)**:提供索引与检索算法,但**不提供数据库能力**——它不负责持久化、并发、过滤、权限这些。理解这一点很关键,很多人误以为 FAISS 就是"向量数据库"。 - **独立服务(Qdrant / Weaviate)**:以服务形式部署,支持网络访问、持久化、过滤,适合中小规模生产。 - **分布式(Milvus)**:云原生架构,面向亿级数据与水平扩展,运维复杂度也相应上升。 - **全托管(Pinecone)**:把运维交给服务商,用成本换省心。 - **数据库扩展(pgvector)**:不引入新组件,直接在既有 PostgreSQL 上加向量能力,适合"不想为向量单独维护一套系统"的团队。 ### Q:怎么选型?有没有简单的决策路径? A:结论先行——按"规模 + 运维能力 + 是否已有技术栈"三步走。  *图:按场景选向量库:Chroma、Qdrant、Milvus、Pinecone、FAISS* ```text 学习/原型 → Chroma(pip install 就能用) 中小规模生产 → Qdrant 或 pgvector 大规模生产 → Milvus 不想运维 → Pinecone 纯离线计算 → FAISS ``` 补充三条判断原则: - **优先复用已有技术栈**:如果团队已经在用 PostgreSQL,`pgvector` 往往是最省事的选择——少一个组件、少一套监控、少一条故障链路。 - **按"是否跨越量级"选架构**:百万级以下,单机服务通常够用;到了亿级,分布式架构(如 Milvus)的必要性才真正体现。 - **评估"运维能力"而非只看功能列表**:分布式组件的收益与运维成本同在。团队没有相应的运维能力时,全托管方案往往更务实。 ### Q:向量库的容量与成本怎么估算? A:结论先行——至少要算三部分:原始向量的存储、索引结构(如图连接)的额外开销,以及运行时的内存驻留。 - **原始向量存储**:约等于 `向量条数 × 维度 × 每维字节数`。这一步最直观,但往往不是最大头。 - **索引结构开销**:HNSW 需要额外保存图连接关系,PQ 则保存量化编码。不同索引的额外开销差别很大。 - **运行时内存**:高性能检索通常要求索引常驻内存。若内存不足,就会退化为磁盘 I/O,延迟显著上升。 因此容量规划不能只用"向量原始大小"估算,否则很容易在数据量增长到某个点后突然遇到性能断崖。**在架构设计阶段就为"索引重建"和"横向扩容"留出路径**,比事后救火划算得多。 ### Q:怎么判断该继续调参,还是该换索引/换方案? A:结论先行——如果调参已经无法同时满足召回和延迟,就说明当前索引类型不适合这个规模,应该换算法而不是继续拧参数。 一个实用的判断框架: - **调 `ef_search` 能提升召回、延迟可接受** → 继续在当前索引上调参。 - **提升召回必然带来不可接受的延迟** → 说明候选集太小,需要换用召回更强的索引(如 HNSW)。 - **内存先爆** → 说明索引结构太重,需要引入量化(PQ)或换 IVF 系列。 - **数据量已经跨越量级** → 单机方案到顶,需要进入分布式架构。 ## 四、代码实战 ### Q:Chroma 怎么用? A:结论先行——`Chroma.from_documents` 一步完成建库,之后用 `similarity_search` 或 `similarity_search_with_score` 检索,`persist_directory` 指定持久化目录。 ```python from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings embeddings = OpenAIEmbeddings() # 创建并存储 vectorstore = Chroma.from_documents( documents=chunks, embedding=embeddings, persist_directory="./chroma_db" # 持久化到磁盘 ) # 检索 results = vectorstore.similarity_search("什么是 RAG?", k=3) for doc in results: print(doc.page_content) # 带分数的检索 results = vectorstore.similarity_search_with_score("什么是 RAG?", k=3) for doc, score in results: print(f"Score: {score:.4f} | {doc.page_content[:50]}") ``` 三个值得注意的点: - **`persist_directory` 决定了"重启后数据还在不在"**。不指定持久化目录时,数据可能只存在于内存或临时目录,进程一停就没了——这是原型阶段常见的"数据莫名消失"的原因。 - **带分数的检索是排查问题的关键工具**。只拿到片段,你无法判断"检索是自信还是勉强命中";有了分数,就能观察相关片段的分数分布,为设定阈值、决定兜底提供依据。**注意不同距离度量的分数含义不同**,分数越大越好还是越小越好,需结合配置确认。 - **`k=3` 就是前文讲的 Top-K 旋钮**,调试时先用它观察召回质量,再决定是否引入重排序。 ### Q:FAISS 怎么用?为什么加载时要加安全参数? A:结论先行——FAISS 用 `from_documents` 建索引,`save_local` / `load_local` 做持久化;加载时 `allow_dangerous_deserialization=True` 是出于反序列化安全的显式开关。 ```python from langchain_community.vectorstores import FAISS vectorstore = FAISS.from_documents(chunks, embeddings) # 保存和加载 vectorstore.save_local("./faiss_index") vectorstore = FAISS.load_local("./faiss_index", embeddings, allow_dangerous_deserialization=True) ``` 两个关键点: - **`allow_dangerous_deserialization=True` 不是可以随便加的开关**。它意味着加载过程会执行反序列化逻辑,如果索引文件来源不可信,会带来安全风险。因此这个参数**只应对你自己生成、可信来源的索引文件开启**;如果索引来自外部,应先验证来源或改用更安全的格式。这是一个能在面试中体现安全意识的好细节。 - **FAISS 是"库"不是"数据库"**:它不提供元数据过滤、多租户隔离、并发写入等服务端能力。如果你的检索需要按租户或时间过滤,要么自行实现,要么选择真正的向量数据库。 ## 五、关键参数:HNSW 怎么调 ### Q:HNSW 的核心参数分别控制什么? A:结论先行——`M` 控制图连通度、`ef_construction` 控制建索引质量、`ef_search` 控制查询精度,三者都是"越大越准、越慢/越费内存"的旋钮。 ```text 索引类型:HNSW(推荐)、IVF、Flat 距离度量:cosine(推荐)、L2、inner product ef_construction:HNSW 构建时的搜索宽度(越大越准,构建越慢) ef_search:HNSW 查询时的搜索宽度(越大越准,查询越慢) M:HNSW 每个节点的最大连接数(越大越准,内存越大) 一般默认参数就够用,需要调优时再改 ``` 逐个说明它们的"作用阶段"与代价: - **距离度量**:必须与 Embedding 的编码方式匹配(回顾上一章:归一化后点积等价于余弦)。**这一项配错,是"整体检索失真"而不仅是"精度下降"**。 - **`M`(每节点最大连接数)**:在建索引时固定,决定图有多稠密。M 越大,图越"连通",检索路径越短、召回越好,但内存占用同步上升。 - **`ef_construction`**:建索引时的搜索宽度,决定新节点插入时能"看多远"。它只影响构建质量与构建耗时,不影响查询开销——所以**想提升索引质量又不想增加线上延迟时,优先调它**。 - **`ef_search`**:查询时的搜索宽度,决定一次检索探索多少个候选。它必须不小于 K,否则拿不到 K 个结果。这是**唯一可以在线动态调节、用来权衡延迟与召回的旋钮**。 工程上的调优顺序建议是:先用默认参数跑通并测出基线,再按"先调 `ef_search` 看召回变化 → 不够就重建索引调 `M` 和 `ef_construction`"的顺序优化。原文也提醒:**一般默认参数就够用,需要调优时再改**。 ## 六、工程实践与踩坑 A:向量数据库环节的坑集中在"一致性、容量、度量"三处: ```text √ 距离度量必须与 Embedding 归一化策略匹配 √ 索引文件的来源必须可信,谨慎开启不安全反序列化 √ 上线前压测量级:内存、延迟、并发,而不是只看功能列表 √ 规划索引重建路径:换模型、改维度、改索引类型都要重建 √ 元数据过滤放在数据库侧做,避免"先取大 K 再本地筛" × 把 FAISS 当作完整数据库使用(它没有持久化/权限/多租户) × 用默认度量不核对,导致相似度排序整体偏移 × 只在小数据集上验证就上线,规模上去后延迟与内存失控 ``` 几个值得展开的坑: - **"先取大 K 再本地过滤"是错误的**。如果业务需要按租户过滤,必须在数据库的检索请求里带上过滤条件,让过滤发生在候选集生成阶段。否则你可能取回 100 条再筛掉 99 条,剩下 1 条远少于期望的 K,且浪费了大量计算。 - **HNSW 内存估算**:因为要常驻图结构与原始向量,内存需求通常显著高于"向量原始大小"的直觉估算。做容量规划时不能只算 `条数 × 维度 × 4 字节`。 - **索引类型不是一劳永逸**:数据量增长、查询模式变化都可能需要换索引类型,而换索引意味着重建。要在架构设计阶段就预留这条路径。 ### Q:向量库能支持增量更新吗?为什么大规模场景常选择"重建"? A:结论先行——多数索引支持增量插入,但删除与频繁更新的代价高、且会逐步劣化索引质量,因此实践中常用"定期全量重建 + 期间增量写入"作为折中。 具体原因有三: - **插入相对友好**:新向量可以按索引结构插入,HNSW 只需为新节点建立连接,通常代价可控。 - **删除代价高**:图结构里删掉一个节点会切断路径,影响可达性。很多实现采取"标记删除、检索时过滤"的方式,于是**空间并未真正释放,召回也可能受影响**。 - **频繁更新导致质量劣化**:不断增加新节点会让图变得"不均衡",检索路径变长、效果下降。 所以工程上的典型策略是:日常用增量写入保证时效性,同时按固定周期(如每天/每周)做一次全量重建,让索引质量回到基准水平。 ### Q:带过滤条件的向量检索(Filtered Search)为什么是个难题? A:结论先行——因为过滤条件与 ANN 索引是两套机制,过滤会打破索引的连续性,容易出现"候选不足"甚至"召回为空"。 难点在于执行顺序的取舍: - **先过滤再搜索(pre-filter)**:结果一定满足条件,但当过滤后剩余向量很少时,ANN 索引的优势消失,可能退化成全表扫描。 - **先搜索再过滤(post-filter)**:检索很快,但如果 Top-K 里恰好大部分都不满足过滤条件,最终结果就会不足 K 条。 合理的做法通常是让数据库在索引层支持过滤(如按分区/集合组织数据),而不是在应用层"取回一大把再筛"。这也解释了一条重要原则:**过滤条件应该作为检索请求的一部分交给数据库,而不是在客户端做后处理**。 ### Q:多租户场景下,向量库怎么做数据隔离? A:结论先行——三种做法:按元数据过滤、按集合/分区隔离、按实例隔离,安全性与成本依次上升。 - **元数据过滤**:所有租户共用一个索引,靠 `tenant_id` 过滤。成本最低,但**隔离性最弱**——一旦过滤条件写漏或写错,就可能跨租户泄露数据。 - **集合 / 分区隔离**:每个租户一个 collection 或分区。隔离性较好,但租户数量大时管理开销上升。 - **实例隔离**:每个租户独享实例。隔离性最强,成本也最高,通常只用于对合规要求极高的场景。 选型原则是**按数据的敏感程度选隔离级别,而不是一刀切**。同时要记住:无论用哪种方案,过滤条件都必须由服务端强制注入,绝不能依赖客户端传入。 ### Q:为什么在向量库之上通常还要做重排序? A:结论先行——因为 ANN 检索本身是近似的,而且只用了"向量夹角"这一个信号,精度不足以直接作为最终排序;用更精确的模型对少量候选精排,能显著提升最终相关性。 这也说明了向量库在 RAG 链路中的定位:**它的目标是"尽可能不漏地把候选捞出来"(高召回),而不是"一步给出最终最优排序"(高精度)**。所以常见的流水线是"向量库广召回 + 重排序精排",各司其职。 ## 小结 - 向量数据库专为高维向量的近似最近邻搜索设计,解决传统数据库不擅长"找最相似"的问题。 - ANN 是"用少量精度换大幅加速"的取舍,RAG 只要求 Top-K 足够好,因此可以接受近似。 - Flat 精确但慢,适合小数据与作为基准;IVF 分簇加速;HNSW 兼顾速度与精度、是当前主流;PQ 用有损压缩支撑超大规模,常与 IVF 组合。 - 选型取决于数据规模、部署方式和团队技术栈;学习阶段用 Chroma,生产环境按规模选 Milvus/Qdrant/pgvector。 - HNSW 的 `M`、`ef_construction`、`ef_search` 分别是建图连通度、构建质量、查询精度的旋钮,默认参数通常够用。 ## 思考题 1. 为什么向量检索是"近似"最近邻而不是精确最近邻? 2. 向量数据库和 Elasticsearch 有什么区别? 3. 如果内存预算只有 HNSW 需求的一半,你会怎么改造索引方案? 4. 为什么 `ef_search` 必须不小于 K?调大它会同时影响哪些指标? 5. 为什么"先取回大 K 再本地按租户过滤"是错的?正确做法应该是什么?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入