给一个向量数据库的案例让我看看，使用python完成

一个简单的向量数据库案例可以使用Python的`Annoy`库配合`scikit-learn`的`TfidfVectorizer`来实现。这里我们假设有个文本数据集，我们要基于内容相似度创建一个搜索功能。

首先，安装必要的库：

pip install annoy scikit-learn

然后，以下是使用示例代码：

from sklearn.feature_extraction.text import TfidfVectorizer
import annopy

# 假设我们有一个文本列表
documents = [
    "苹果是一种水果",
    "香蕉也是水果",
    "橙子是柑橘类水果",
    # 更多文档...
]

# 创建TF-IDF向量表示
vectorizer = TfidfVectorizer()
vectors = vectorizer.fit_transform(documents)

# 将向量存入Annoy索引
annoy_index = annopy.AnnoyIndex(vectors.shape[1], 'angular')  # 参数选择适合的相似度度量
for i, vec in enumerate(vectors):
    annoy_index.add_item(i, vec)
annoy_index.build(10)  # 建立索引，n_trees影响效率

def search_similar(document, n_results=5):
    query_vec = vectorizer.transform([document])
    distances, indices = annoy_index.get_nns_by_vector(query_vec.toarray(), n_results)
    
    for idx, distance in zip(indices, distances):
        print(f"相似度最高的文档 {idx}: {documents[idx]}, 相似度: {distance}")

# 测试搜索
search_similar("我想了解关于柑橘类水果的信息")

在这个例子中，当你输入新的查询句子，程序会找到与其最相似的前几个文档。注意，实际应用中你可能需要处理更复杂的数据源，并调整参数以获得更好的效果。