Update more links

pingcap · Jan 3, 2025 · 564a4df · 564a4df
1 parent a7cb180
commit 564a4df
Show file tree

Hide file tree

Showing 7 changed files with 14 additions and 14 deletions.
diff --git a/releases/release-8.4.0.md b/releases/release-8.4.0.md
@@ -200,7 +200,7 @@ TiDB 版本：8.4.0
 
     向量搜索是一种基于数据语义的搜索方法，可以提供更相关的搜索结果。作为 AI 和大语言模型 (LLM) 的核心功能之一，向量搜索可用于检索增强生成 (Retrieval-Augmented Generation, RAG)、语义搜索、推荐系统等多种场景。
 
-    从 v8.4.0 开始，TiDB 支持[向量数据类型](/vector-search/vector-search-data-types.md)和[向量搜索索引](/vector-search/vector-search-index.md)，具备强大的向量搜索能力。TiDB 的向量数据类型最多可支持 16383 维度，并支持多种[距离函数](/vector-search-functions-and-operators.md#向量函数)，包括 L2 距离（欧式距离）、余弦距离、负内积和 L1 距离（曼哈顿距离）。
+    从 v8.4.0 开始，TiDB 支持[向量数据类型](/vector-search/vector-search-data-types.md)和[向量搜索索引](/vector-search/vector-search-index.md)，具备强大的向量搜索能力。TiDB 的向量数据类型最多可支持 16383 维度，并支持多种[距离函数](/vector-search/vector-search-functions-and-operators.md#向量函数)，包括 L2 距离（欧式距离）、余弦距离、负内积和 L1 距离（曼哈顿距离）。
 
     在使用时，你只需要创建包含向量数据类型的表，并插入向量数据，即可执行向量搜索查询，也可进行向量数据与传统关系数据的混合查询。
 

diff --git a/vector-search/vector-search-data-types.md b/vector-search/vector-search-data-types.md
@@ -79,7 +79,7 @@ INSERT INTO vector_table VALUES (2, '[0.3, 0.5]');       -- 插入一个 2 维
 
 ## 比较
 
-向量数据支持[比较运算符](/vector-search-functions-and-operators.md#扩展的内置函数和运算符)，例如 `=`、`!=`、`<`、`>`、`<=` 和 `>=` 等。关于向量数据类型支持的所有函数和操作符，可参阅[向量函数与操作符](/vector-search/vector-search-functions-and-operators.md)。
+向量数据支持[比较运算符](/vector-search/vector-search-functions-and-operators.md#扩展的内置函数和运算符)，例如 `=`、`!=`、`<`、`>`、`<=` 和 `>=` 等。关于向量数据类型支持的所有函数和操作符，可参阅[向量函数与操作符](/vector-search/vector-search-functions-and-operators.md)。
 
 比较向量数据类型时，TiDB 会以向量中的各个元素为单位进行依次比较，如：
 
@@ -233,7 +233,7 @@ ERROR 1105 (HY000): vectors have different dimensions: 1 and 3
 
 ## 使用限制
 
-有关向量类型的限制，请参阅[向量搜索限制](/vector-search/vector-search-limitations.md)以及[向量搜索索引的使用限制](/vector-search-index.md#使用限制)。
+有关向量类型的限制，请参阅[向量搜索限制](/vector-search/vector-search-limitations.md)以及[向量搜索索引的使用限制](/vector-search/vector-search-index.md#使用限制)。
 
 ## MySQL 兼容性
 

diff --git a/vector-search/vector-search-functions-and-operators.md b/vector-search/vector-search-functions-and-operators.md
@@ -44,7 +44,7 @@ TiDB 扩展了以下内置函数和运算符的功能，使其额外支持了[
 | [`+`](https://dev.mysql.com/doc/refman/8.0/en/arithmetic-functions.html#operator_plus)  | 向量以元素为单位进行加法运算符    |
 | [`-`](https://dev.mysql.com/doc/refman/8.0/en/arithmetic-functions.html#operator_minus) | 向量以元素为单位进行减法运算符 |
 
-关于向量运算工作原理的更多信息，请参阅[向量数据类型的运算](/vector-search-data-types.md#运算)。
+关于向量运算工作原理的更多信息，请参阅[向量数据类型的运算](/vector-search/vector-search-data-types.md#运算)。
 
 **聚合函数 (GROUP BY)：**
 
@@ -76,7 +76,7 @@ TiDB 扩展了以下内置函数和运算符的功能，使其额外支持了[
 | [`!=`, `<>`](https://dev.mysql.com/doc/refman/8.0/en/comparison-operators.html#operator_not-equal)                  | 不等运算符                                    |
 | [`NOT IN()`](https://dev.mysql.com/doc/refman/8.0/en/comparison-operators.html#operator_not-in)                     | 检查值是否不在一组数值之内   |
 
-关于如何比较向量的更多信息，请参阅[向量数据类型的比较](/vector-search-data-types.md#比较)。
+关于如何比较向量的更多信息，请参阅[向量数据类型的比较](/vector-search/vector-search-data-types.md#比较)。
 
 **控制流程函数：**
 
@@ -94,7 +94,7 @@ TiDB 扩展了以下内置函数和运算符的功能，使其额外支持了[
 | [`CAST()`](https://dev.mysql.com/doc/refman/8.0/en/cast-functions.html#function_cast)       | 将值转换为字符串或向量类型 |
 | [`CONVERT()`](https://dev.mysql.com/doc/refman/8.0/en/cast-functions.html#function_convert) | 将值转换为字符串类型 |
 
-关于如何使用 `CAST()` 的更多信息，请参阅[向量数据类型的转换](/vector-search-data-types.md#类型转换-cast)。
+关于如何使用 `CAST()` 的更多信息，请参阅[向量数据类型的转换](/vector-search/vector-search-data-types.md#类型转换-cast)。
 
 ## 使用示例
 

diff --git a/vector-search/vector-search-get-started-using-python.md b/vector-search/vector-search-get-started-using-python.md
@@ -49,7 +49,7 @@ pip install sqlalchemy pymysql sentence-transformers tidb-vector python-dotenv
 ```
 
 - `tidb-vector`：用于与 TiDB 向量搜索交互的 Python 客户端。
-- [`sentence-transformers`](https://sbert.net)：提供预训练模型的 Python 库，用于从文本生成[向量嵌入](/vector-search-overview.md#向量嵌入)。
+- [`sentence-transformers`](https://sbert.net)：提供预训练模型的 Python 库，用于从文本生成[向量嵌入](/vector-search/vector-search-overview.md#向量嵌入)。
 
 ### 第 3 步：配置 TiDB 集群的连接字符串
 
@@ -117,7 +117,7 @@ TIDB_DATABASE_URL="mysql+pymysql://<USER>:<PASSWORD>@<HOST>:<PORT>/<DATABASE>"
 
 ### 第 4 步：初始化嵌入模型
 
-[嵌入模型](/vector-search-overview.md#嵌入模型)用于将数据转换为[向量嵌入](/vector-search-overview.md#向量嵌入)。本示例将使用预训练模型 [**msmarco-MiniLM-L12-cos-v5**](https://huggingface.co/sentence-transformers/msmarco-MiniLM-L12-cos-v5) 将文本数据转换为向量嵌入。该模型为一个轻量级模型，由 `sentence-transformers` 库提供，可将文本数据转换为 384 维的向量嵌入。
+[嵌入模型](/vector-search/vector-search-overview.md#嵌入模型)用于将数据转换为[向量嵌入](/vector-search/vector-search-overview.md#向量嵌入)。本示例将使用预训练模型 [**msmarco-MiniLM-L12-cos-v5**](https://huggingface.co/sentence-transformers/msmarco-MiniLM-L12-cos-v5) 将文本数据转换为向量嵌入。该模型为一个轻量级模型，由 `sentence-transformers` 库提供，可将文本数据转换为 384 维的向量嵌入。
 
 将以下代码复制到 `example.py` 文件中，完成模型的设置。这段代码初始化了一个 `SentenceTransformer` 实例，并定义了一个 `text_too_embedding()` 函数用于将文本数据转换为向量数据。
 

diff --git a/vector-search/vector-search-get-started-using-sql.md b/vector-search/vector-search-get-started-using-sql.md
@@ -74,7 +74,7 @@ mysql --comments --host 127.0.0.1 --port 4000 -u root
 
 ### 第 2 步：创建向量表
 
-创建表时，你可以使用 `VECTOR` 数据类型声明指定列为[向量](/vector-search-overview.md#向量嵌入)列。
+创建表时，你可以使用 `VECTOR` 数据类型声明指定列为[向量](/vector-search/vector-search-overview.md#向量嵌入)列。
 
 例如，要创建一个带有三维 `VECTOR` 列的 `embedded_documents` 表，可以使用 MySQL CLI 执行以下 SQL 语句：
 
@@ -97,7 +97,7 @@ Query OK, 0 rows affected (0.27 sec)
 
 ### 第 3 步：向表中插入向量
 
-向 `embedded_documents` 表中插入三行，每一行包含数据和数据的[向量嵌入](/vector-search-overview.md#向量嵌入)：
+向 `embedded_documents` 表中插入三行，每一行包含数据和数据的[向量嵌入](/vector-search/vector-search-overview.md#向量嵌入)：
 
 ```sql
 INSERT INTO embedded_documents
@@ -118,7 +118,7 @@ Records: 3  Duplicates: 0  Warnings: 0
 >
 > 为了方便展示，本示例简化了向量的维数，仅使用三维向量。
 >
-> 在实际应用中，[嵌入模型](/vector-search-overview.md#嵌入模型)通常会生成数百或数千维的向量。
+> 在实际应用中，[嵌入模型](/vector-search/vector-search-overview.md#嵌入模型)通常会生成数百或数千维的向量。
 
 ### 第 4 步：查询向量表
 
@@ -145,7 +145,7 @@ SELECT * FROM embedded_documents;
 
 与全文搜索类似，在使用向量搜索时，你需要提供搜索词。
 
-在本例中，搜索词是“一种会游泳的动物”，假设其对应的向量是 `[1,2,3]`。在实际应用中，你需要使用[嵌入模型](/vector-search-overview.md#嵌入模型)将用户的搜索词转换为向量。
+在本例中，搜索词是“一种会游泳的动物”，假设其对应的向量是 `[1,2,3]`。在实际应用中，你需要使用[嵌入模型](/vector-search/vector-search-overview.md#嵌入模型)将用户的搜索词转换为向量。
 
 执行以下 SQL 语句后，TiDB 会计算 `[1,2,3]` 与表中各向量之间的余弦距离 (`vec_cosine_distance`)，然后对这些距离进行排序并输出表中最接近搜索向量（余弦距离最小）的前三个文档。
 

diff --git a/vector-search/vector-search-improve-performance.md b/vector-search/vector-search-improve-performance.md
@@ -17,7 +17,7 @@ summary: 了解优化 TiDB 向量搜索性能的最佳实践。
 
 ## 确保向量索引已完全构建
 
-当插入大批量向量数据时，可能会有部分数据处于 Delta 层等待后续的持久化，这一部分的数据会在持久化后才会开始构建向量索引。在向量搜索索引完全构建好后，向量搜索性能才能达到最佳水平。要查看索引构建进度，可参阅[查看索引构建进度](/vector-search-index.md#查看索引构建进度)。
+当插入大批量向量数据时，可能会有部分数据处于 Delta 层等待后续的持久化，这一部分的数据会在持久化后才会开始构建向量索引。在向量搜索索引完全构建好后，向量搜索性能才能达到最佳水平。要查看索引构建进度，可参阅[查看索引构建进度](/vector-search/vector-search-index.md#查看索引构建进度)。
 
 ## 减少向量维数或缩短嵌入时间
 

diff --git a/vector-search/vector-search-limitations.md b/vector-search/vector-search-limitations.md
@@ -23,7 +23,7 @@ summary: 了解 TiDB 向量搜索功能的限制。
 
 ## 向量搜索索引限制
 
-参考[向量搜索索引 - 使用限制](/vector-search-index.md#使用限制)。
+参考[向量搜索索引 - 使用限制](/vector-search/vector-search-index.md#使用限制)。
 
 ## 工具兼容性