用途：sqlite-vec 是 SQLite 的轻量级向量相似度搜索扩展，用于在 SQLite 内直接存储嵌入向量并执行 KNN 查询，从而在本地实现语义搜索，无需引入外部向量数据库。
主要能力：支持三种向量元素类型——float[N]（32 位浮点，常见于 OpenAI、Cohere 等嵌入）、int8[N]（量化嵌入）、bit[N]（二值量化，存储最紧凑）；提供 vec0 虚拟表作为向量搜索的主结构，列类型包括向量列、元数据列（可过滤）、分区键列（分片加速过滤查询）和辅助列（以 + 前缀，不参与过滤）。距离度量支持 l2（默认）、cosine、hamming（仅位向量）。
使用方式：在 Python 中加载扩展并启用：db.enable_load_extension(True); sqlite_vec.load(db); db.enable_load_extension(False)。向量需序列化为 BLOB 或 JSON 字符串，可用 serialize_float32、serialize_int8 辅助函数，NumPy 数组可直接传入。建表使用 CREATE VIRTUAL TABLE ... USING vec0(...)。KNN 查询形如 SELECT rowid, distance FROM vec_items WHERE embedding MATCH ? AND k = 10 ORDER BY distance。元数据过滤支持 =、!=、>、>=、<、<=、BETWEEN，不支持 IS NULL、LIKE、GLOB、REGEXP 与标量函数。还提供 vec_distance_l2/cosine/hamming、vec_f32/vec_int8/vec_bit 构造器、vec_length、vec_type、vec_to_json、vec_add、vec_sub、vec_normalize、vec_slice、vec_quantize_binary、vec_each 等函数，并支持与源表 JOIN、分区键过滤与 Matryoshka 嵌入（vec_slice 后 vec_normalize）。
适用场景：多租户检索、混合搜索（向量 + 元数据过滤）、语义搜索、量化压缩检索。
限制与注意事项：需先用固定维度建表，维度必须与嵌入模型输出长度一致；元数据过滤运算符受限；分区键建议每个唯一值有 100+ 向量，最多使用 1-2 个，避免过度分片；k 建议保持在 10-100。安装方式、Python 绑定细节、收费与价格、性能基准等资料暂未提供。