diff --git a/TOC.md b/TOC.md
index 27c6bef70950..5eebe00e5b90 100644
--- a/TOC.md
+++ b/TOC.md
@@ -78,23 +78,23 @@
       - [Stale Read](/develop/dev-guide-use-stale-read.md)
     - [HTAP 查询](/develop/dev-guide-hybrid-oltp-and-olap-queries.md)
   - 向量搜索
-    - [概述](/vector-search-overview.md)
+    - [概述](/vector-search/vector-search-overview.md)
     - 快速入门
-      - [使用 SQL 开始向量搜索](/vector-search-get-started-using-sql.md)
-      - [使用 Python 开始向量搜索](/vector-search-get-started-using-python.md)
+      - [使用 SQL 开始向量搜索](/vector-search/vector-search-get-started-using-sql.md)
+      - [使用 Python 开始向量搜索](/vector-search/vector-search-get-started-using-python.md)
     - 集成
-      - [集成概览](/vector-search-integration-overview.md)
+      - [集成概览](/vector-search/vector-search-integration-overview.md)
       - AI 框架
-        - [LlamaIndex](/vector-search-integrate-with-llamaindex.md)
-        - [Langchain](/vector-search-integrate-with-langchain.md)
+        - [LlamaIndex](/vector-search/vector-search-integrate-with-llamaindex.md)
+        - [Langchain](/vector-search/vector-search-integrate-with-langchain.md)
       - 嵌入模型/服务
-        - [Jina AI](/vector-search-integrate-with-jinaai-embedding.md)
+        - [Jina AI](/vector-search/vector-search-integrate-with-jinaai-embedding.md)
       - ORM 库
-        - [SQLAlchemy](/vector-search-integrate-with-sqlalchemy.md)
-        - [peewee](/vector-search-integrate-with-peewee.md)
-        - [Django](/vector-search-integrate-with-django-orm.md)
-    - [优化搜索性能](/vector-search-improve-performance.md)
-    - [使用限制](/vector-search-limitations.md)
+        - [SQLAlchemy](/vector-search/vector-search-integrate-with-sqlalchemy.md)
+        - [peewee](/vector-search/vector-search-integrate-with-peewee.md)
+        - [Django](/vector-search/vector-search-integrate-with-django-orm.md)
+    - [优化搜索性能](/vector-search/vector-search-improve-performance.md)
+    - [使用限制](/vector-search/vector-search-limitations.md)
   - 事务
     - [概览](/develop/dev-guide-transaction-overview.md)
     - [乐观事务和悲观事务](/develop/dev-guide-optimistic-and-pessimistic-transaction.md)
@@ -895,7 +895,7 @@
       - [日期和时间类型](/data-type-date-and-time.md)
       - [字符串类型](/data-type-string.md)
       - [JSON 类型](/data-type-json.md)
-      - [向量数据类型](/vector-search-data-types.md)
+      - [向量数据类型](/vector-search/vector-search-data-types.md)
     - 函数与操作符
       - [函数与操作符概述](/functions-and-operators/functions-and-operators-overview.md)
       - [表达式求值的类型转换](/functions-and-operators/type-conversion-in-expression-evaluation.md)
@@ -909,7 +909,7 @@
       - [加密和压缩函数](/functions-and-operators/encryption-and-compression-functions.md)
       - [锁函数](/functions-and-operators/locking-functions.md)
       - [信息函数](/functions-and-operators/information-functions.md)
-      - [向量函数和操作符](/vector-search-functions-and-operators.md)
+      - [向量函数和操作符](/vector-search/vector-search-functions-and-operators.md)
       - JSON 函数
         - [概览](/functions-and-operators/json-functions.md)
         - [创建 JSON 的函数](/functions-and-operators/json-functions/json-functions-create.md)
@@ -930,7 +930,7 @@
       - [TiDB 特有的函数](/functions-and-operators/tidb-functions.md)
       - [Oracle 与 TiDB 函数和语法差异对照](/oracle-functions-to-tidb.md)
     - [聚簇索引](/clustered-indexes.md)
-    - [向量索引](/vector-search-index.md)
+    - [向量索引](/vector-search/vector-search-index.md)
     - [约束](/constraints.md)
     - [生成列](/generated-columns.md)
     - [SQL 模式](/sql-mode.md)
diff --git a/basic-features.md b/basic-features.md
index 9a484e5acca9..ce536af8f4e7 100644
--- a/basic-features.md
+++ b/basic-features.md
@@ -26,7 +26,7 @@ aliases: ['/docs-cn/dev/basic-features/','/docs-cn/dev/experimental-features-4.0
 | [日期和时间类型](/data-type-date-and-time.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [字符串类型](/data-type-string.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [JSON 类型](/data-type-json.md) |  Y |  Y |  Y  | Y | Y | E | E | E | E | E |
-| [向量数据类型](/vector-search-data-types.md) |  E |  N |  N  | N | N | N | N | N | N | N |
+| [向量数据类型](/vector-search/vector-search-data-types.md) |  E |  N |  N  | N | N | N | N | N | N | N |
 | [控制流程函数](/functions-and-operators/control-flow-functions.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [字符串函数](/functions-and-operators/string-functions.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [数值函数与操作符](/functions-and-operators/numeric-functions-and-operators.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
@@ -34,7 +34,7 @@ aliases: ['/docs-cn/dev/basic-features/','/docs-cn/dev/experimental-features-4.0
 | [位函数和操作符](/functions-and-operators/bit-functions-and-operators.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [Cast 函数和操作符](/functions-and-operators/cast-functions-and-operators.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [加密和压缩函数](/functions-and-operators/encryption-and-compression-functions.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
-| [向量函数和操作符](/vector-search-functions-and-operators.md) |  E |  N |  N  | N | N | N | N | N | N | N |
+| [向量函数和操作符](/vector-search/vector-search-functions-and-operators.md) |  E |  N |  N  | N | N | N | N | N | N | N |
 | [信息函数](/functions-and-operators/information-functions.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
 | [JSON 函数](/functions-and-operators/json-functions.md) |  Y |  Y |  Y  | Y | Y | E | E | E | E | E |
 | [聚合函数](/functions-and-operators/aggregate-group-by-functions.md) |  Y |  Y |  Y  | Y | Y | Y | Y | Y | Y | Y |
@@ -65,7 +65,7 @@ aliases: ['/docs-cn/dev/basic-features/','/docs-cn/dev/experimental-features-4.0
 | [外键约束](/foreign-key.md) | Y |  E |  E  | E | N | N | N | N | N | N |
 | [TiFlash 延迟物化](/tiflash/tiflash-late-materialization.md) | Y |  Y |  Y  | Y | N | N | N | N | N | N |
 | [全局索引 (Global Index)](/partitioned-table.md#全局索引) | Y |  N | N  | N | N | N | N | N | N | N |
-| [向量索引](/vector-search-index.md) |  E |  N |  N  | N | N | N | N | N | N | N |
+| [向量索引](/vector-search/vector-search-index.md) |  E |  N |  N  | N | N | N | N | N | N | N |
 
 ## SQL 语句
 
@@ -96,7 +96,7 @@ aliases: ['/docs-cn/dev/basic-features/','/docs-cn/dev/experimental-features-4.0
 
 | 高级 SQL 功能 | 8.5 | 8.1 | 7.5 | 7.1 | 6.5 | 6.1 | 5.4 | 5.3 | 5.2 | 5.1 |
 |---|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|
-| [向量搜索](/vector-search-overview.md) |  E |  N |  N  | N | N | N | N | N | N | N |
+| [向量搜索](/vector-search/vector-search-overview.md) |  E |  N |  N  | N | N | N | N | N | N | N |
 | [Prepare 语句执行计划缓存](/sql-prepared-plan-cache.md) | Y |  Y  |  Y  | Y | Y | Y | Y | Y | E | E |
 | [非 Prepare 语句执行计划缓存](/sql-non-prepared-plan-cache.md) | Y |  Y  |  Y  | E | N | N | N | N | N | N |
 | [实例级执行计划缓存](/system-variables.md#tidb_enable_instance_plan_cache-从-v840-版本开始引入) | E |  N  |  N  | N | N | N | N | N | N | N |
diff --git a/br/backup-and-restore-overview.md b/br/backup-and-restore-overview.md
index 1cf36d12ab44..a4a1e4817162 100644
--- a/br/backup-and-restore-overview.md
+++ b/br/backup-and-restore-overview.md
@@ -120,7 +120,7 @@ TiDB 支持将数据备份到 Amazon S3、Google Cloud Storage (GCS)、Azure Blo
 | 全局临时表 | | 确保使用 BR v5.3.0 及以上版本进行备份和恢复，否则会导致全局临时表的表定义错误。 |
 | TiDB Lightning 物理导入模式| |上游数据库使用 TiDB Lightning 物理导入模式导入的数据，无法作为数据日志备份下来。推荐在数据导入后执行一次全量备份，细节参考[上游数据库使用 TiDB Lightning 物理导入模式导入数据的恢复](/faq/backup-and-restore-faq.md#上游数据库使用-tidb-lightning-物理导入模式导入数据时为什么无法使用日志备份功能)。|
 | TiCDC | | BR v8.2.0 及以上版本：如果在恢复的目标集群有 [CheckpointTS](/ticdc/ticdc-architecture.md#checkpointts) 早于 BackupTS 的 Changefeed，BR 会拒绝执行恢复。BR v8.2.0 之前的版本：如果在恢复的目标集群有任何活跃的 TiCDC Changefeed，BR 会拒绝执行恢复。 |
-| 向量搜索 | | 确保使用 BR v8.4.0 及以上版本进行备份与恢复。不支持将带有[向量数据类型](/vector-search-data-types.md)的表恢复至 v8.4.0 之前的 TiDB 集群。 |
+| 向量搜索 | | 确保使用 BR v8.4.0 及以上版本进行备份与恢复。不支持将带有[向量数据类型](/vector-search/vector-search-data-types.md)的表恢复至 v8.4.0 之前的 TiDB 集群。 |
 
 ### 版本间兼容性
 
diff --git a/releases/release-8.4.0.md b/releases/release-8.4.0.md
index 349e47f93a72..076380ada067 100644
--- a/releases/release-8.4.0.md
+++ b/releases/release-8.4.0.md
@@ -200,13 +200,13 @@ 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-data-types.md)和[向量搜索索引](/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。
 
-    此外，你可以创建并利用[向量搜索索引](/vector-search-index.md)来提升向量搜索的性能。需要注意的是，TiDB 的向量搜索索引依赖于 TiFlash。在使用向量搜索索引之前，需要确保 TiDB 集群中已部署 TiFlash 节点。
+    此外，你可以创建并利用[向量搜索索引](/vector-search/vector-search-index.md)来提升向量搜索的性能。需要注意的是，TiDB 的向量搜索索引依赖于 TiFlash。在使用向量搜索索引之前，需要确保 TiDB 集群中已部署 TiFlash 节点。
 
-    更多信息，请参考[用户文档](/vector-search-overview.md)。
+    更多信息，请参考[用户文档](/vector-search/vector-search-overview.md)。
 
 ### 数据库管理
 
diff --git a/ticdc/ticdc-compatibility.md b/ticdc/ticdc-compatibility.md
index d07306f389e5..d56d8599aa5b 100644
--- a/ticdc/ticdc-compatibility.md
+++ b/ticdc/ticdc-compatibility.md
@@ -77,7 +77,7 @@ TiCDC 从 v5.3.0 开始支持[全局临时表](/temporary-tables.md#全局临时
 
 ### 向量数据类型兼容性说明
 
-从 v8.4.0 开始，TiCDC 支持同步包含[向量数据类型](/vector-search-data-types.md)的表到下游（实验特性）。
+从 v8.4.0 开始，TiCDC 支持同步包含[向量数据类型](/vector-search/vector-search-data-types.md)的表到下游（实验特性）。
 
 当下游为 Kafka 或者存储服务（如：Amazon S3、GCS、Azure Blob Storage 和 NFS）时，TiCDC 会将向量数据类型转为字符串类型进行写入。
 
diff --git a/tiflash-upgrade-guide.md b/tiflash-upgrade-guide.md
index e12989b94d43..0e6001ad7c36 100644
--- a/tiflash-upgrade-guide.md
+++ b/tiflash-upgrade-guide.md
@@ -121,7 +121,7 @@ TiFlash 在 v6.2.0 将数据格式升级到 V3 版本，因此，从 v5.x 或 v6
 
 ## 从 v7.x 升级至 v8.4 或以上版本
 
-从 v8.4 开始，为了支持[向量搜索功能](/vector-search-index.md)，TiFlash 底层存储格式发生改动。因此，升级 TiFlash 到 v8.4 或以上版本后，不支持原地降级到之前的版本。
+从 v8.4 开始，为了支持[向量搜索功能](/vector-search/vector-search-index.md)，TiFlash 底层存储格式发生改动。因此，升级 TiFlash 到 v8.4 或以上版本后，不支持原地降级到之前的版本。
 
 **测试环境及特殊回退需求下的对策**
 
diff --git a/tiflash/tiflash-supported-pushdown-calculations.md b/tiflash/tiflash-supported-pushdown-calculations.md
index f90beb381f1a..62fe36ac4141 100644
--- a/tiflash/tiflash-supported-pushdown-calculations.md
+++ b/tiflash/tiflash-supported-pushdown-calculations.md
@@ -37,7 +37,7 @@ TiFlash 支持部分算子的下推，支持的算子如下：
 | [正则函数和算子](/functions-and-operators/string-functions.md) | `REGEXP`, `REGEXP_LIKE()`, `REGEXP_INSTR()`, `REGEXP_SUBSTR()`, `REGEXP_REPLACE()`, `RLIKE` |
 | [日期函数](/functions-and-operators/date-and-time-functions.md) | `DATE_FORMAT()`, `TIMESTAMPDIFF()`, `FROM_UNIXTIME()`, `UNIX_TIMESTAMP(int)`, `UNIX_TIMESTAMP(decimal)`, `STR_TO_DATE(date)`, `STR_TO_DATE(datetime)`, `DATEDIFF()`, `YEAR()`, `MONTH()`, `DAY()`, `EXTRACT(datetime)`, `DATE()`, `HOUR()`, `MICROSECOND()`, `MINUTE()`, `SECOND()`, `SYSDATE()`, `DATE_ADD/ADDDATE(datetime, int)`, `DATE_ADD/ADDDATE(string, int/real)`, `DATE_SUB/SUBDATE(datetime, int)`, `DATE_SUB/SUBDATE(string, int/real)`, `QUARTER()`, `DAYNAME()`, `DAYOFMONTH()`, `DAYOFWEEK()`, `DAYOFYEAR()`, `LAST_DAY()`, `MONTHNAME()`, `TO_SECONDS()`, `TO_DAYS()`, `FROM_DAYS()`, `WEEKOFYEAR()` |
 | [JSON 函数](/functions-and-operators/json-functions.md) | `JSON_LENGTH()`, `->`, `->>`, `JSON_EXTRACT()`, `JSON_ARRAY()`, `JSON_DEPTH()`, `JSON_VALID()`, `JSON_KEYS()`, `JSON_CONTAINS_PATH()`, `JSON_UNQUOTE()` |
-| [向量函数](/vector-search-functions-and-operators.md) | `VEC_L2_DISTANCE`, `VEC_COSINE_DISTANCE`, `VEC_NEGATIVE_INNER_PRODUCT`, `VEC_L1_DISTANCE`, `VEC_DIMS`, `VEC_L2_NORM`, `VEC_AS_TEXT` |
+| [向量函数](/vector-search/vector-search-functions-and-operators.md) | `VEC_L2_DISTANCE`, `VEC_COSINE_DISTANCE`, `VEC_NEGATIVE_INNER_PRODUCT`, `VEC_L1_DISTANCE`, `VEC_DIMS`, `VEC_L2_NORM`, `VEC_AS_TEXT` |
 | [转换函数](/functions-and-operators/cast-functions-and-operators.md) | `CAST(int AS DOUBLE), CAST(int AS DECIMAL)`, `CAST(int AS STRING)`, `CAST(int AS TIME)`, `CAST(double AS INT)`, `CAST(double AS DECIMAL)`, `CAST(double AS STRING)`, `CAST(double AS TIME)`, `CAST(string AS INT)`, `CAST(string AS DOUBLE), CAST(string AS DECIMAL)`, `CAST(string AS TIME)`, `CAST(decimal AS INT)`, `CAST(decimal AS STRING)`, `CAST(decimal AS TIME)`, `CAST(decimal AS DOUBLE)`, `CAST(time AS INT)`, `CAST(time AS DECIMAL)`, `CAST(time AS STRING)`, `CAST(time AS REAL)`, `CAST(json AS JSON)`, `CAST(json AS STRING)`, `CAST(int AS JSON)`, `CAST(real AS JSON)`, `CAST(decimal AS JSON)`, `CAST(string AS JSON)`, `CAST(time AS JSON)`, `CAST(duration AS JSON)` |
 | [聚合函数](/functions-and-operators/aggregate-group-by-functions.md) | `MIN()`, `MAX()`, `SUM()`, `COUNT()`, `AVG()`, `APPROX_COUNT_DISTINCT()`, `GROUP_CONCAT()` |
 | [其他函数](/functions-and-operators/miscellaneous-functions.md) | `INET_NTOA()`, `INET_ATON()`, `INET6_NTOA()`, `INET6_ATON()` |
diff --git a/vector-search-data-types.md b/vector-search/vector-search-data-types.md
similarity index 90%
rename from vector-search-data-types.md
rename to vector-search/vector-search-data-types.md
index d5fe04584d9b..bc7c144d7395 100644
--- a/vector-search-data-types.md
+++ b/vector-search/vector-search-data-types.md
@@ -18,7 +18,7 @@ summary: 本文介绍 TiDB 的向量数据类型。
 
 与使用 [`JSON`](/data-type-json.md) 类型相比，使用向量类型具有以下优势：
 
-- 支持向量索引。可以通过构建[向量搜索索引](/vector-search-index.md)加速查询。
+- 支持向量索引。可以通过构建[向量搜索索引](/vector-search/vector-search-index.md)加速查询。
 - 可指定维度。指定一个固定维度后，不符合维度的数据将被阻止写入到表中。
 - 存储格式更优。向量数据类型针对向量数据进行了特别优化，在空间利用和性能效率上都优于 `JSON` 类型。
 
@@ -57,9 +57,9 @@ ERROR 1105 (HY000): Invalid vector text: [5, ]
 ERROR 1105 (HY000): vector has 2 dimensions, does not fit VECTOR(3)
 ```
 
-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-functions-and-operators.md)。
+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)。
 
-关于向量搜索索引的更多信息，可参阅[向量搜索索引](/vector-search-index.md)。
+关于向量搜索索引的更多信息，可参阅[向量搜索索引](/vector-search/vector-search-index.md)。
 
 ## 混合存储不同维度的向量
 
@@ -75,11 +75,11 @@ INSERT INTO vector_table VALUES (1, '[0.3, 0.5, -0.1]'); -- 插入一个 3 维
 INSERT INTO vector_table VALUES (2, '[0.3, 0.5]');       -- 插入一个 2 维向量
 ```
 
-需要注意的是，存储了不同维度向量的列不支持构建[向量搜索索引](/vector-search-index.md)，因为只有维度相同的向量之间才能计算向量距离。
+需要注意的是，存储了不同维度向量的列不支持构建[向量搜索索引](/vector-search/vector-search-index.md)，因为只有维度相同的向量之间才能计算向量距离。
 
 ## 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-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：
 
@@ -223,7 +223,7 @@ ERROR 1105 (HY000): vectors have different dimensions: 1 and 3
 1 row in set (0.01 sec)
 ```
 
-如需了解其他转换函数，请参阅[向量函数和操作符](/vector-search-functions-and-operators.md)。
+如需了解其他转换函数，请参阅[向量函数和操作符](/vector-search/vector-search-functions-and-operators.md)。
 
 ### 向量与其他数据类型之间的转换
 
@@ -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-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
 
@@ -241,5 +241,5 @@ ERROR 1105 (HY000): vectors have different dimensions: 1 and 3
 
 ## 另请参阅
 
-- [向量函数和操作符](/vector-search-functions-and-operators.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量函数和操作符](/vector-search/vector-search-functions-and-operators.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-functions-and-operators.md b/vector-search/vector-search-functions-and-operators.md
similarity index 96%
rename from vector-search-functions-and-operators.md
rename to vector-search/vector-search-functions-and-operators.md
index 9b5995f63338..2641f9477d6a 100644
--- a/vector-search-functions-and-operators.md
+++ b/vector-search/vector-search-functions-and-operators.md
@@ -13,7 +13,7 @@ summary: 本文介绍 TiDB 的向量相关函数和操作。
 
 ## 向量函数
 
-TiDB 为[向量数据类型](/vector-search-data-types.md)引入了以下向量函数：
+TiDB 为[向量数据类型](/vector-search/vector-search-data-types.md)引入了以下向量函数：
 
 **向量距离函数：**
 
@@ -35,7 +35,7 @@ TiDB 为[向量数据类型](/vector-search-data-types.md)引入了以下向量
 
 ## 扩展的内置函数和运算符
 
-TiDB 扩展了以下内置函数和运算符的功能，使其额外支持了[向量数据类型](/vector-search-data-types.md)。
+TiDB 扩展了以下内置函数和运算符的功能，使其额外支持了[向量数据类型](/vector-search/vector-search-data-types.md)。
 
 **算术运算符：**
 
@@ -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
 
@@ -281,4 +281,4 @@ VEC_AS_TEXT(vector)
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
\ No newline at end of file
diff --git a/vector-search-get-started-using-python.md b/vector-search/vector-search-get-started-using-python.md
similarity index 90%
rename from vector-search-get-started-using-python.md
rename to vector-search/vector-search-get-started-using-python.md
index a29a0f2c8c02..5abd78c62f2a 100644
--- a/vector-search-get-started-using-python.md
+++ b/vector-search/vector-search-get-started-using-python.md
@@ -7,7 +7,7 @@ summary: 了解如何使用 Python 和 TiDB 向量搜索快速开发可执行语
 
 本文将展示如何开发一个简单的 AI 应用，这个 AI 应用实现了简单的**语义搜索**功能。不同于传统的关键字搜索，语义搜索可以智能地理解你的输入，返回更相关的结果。例如，在“狗”、“鱼”和“树”这三条内容中搜索“一种会游泳的动物”时，语义搜索会将“鱼”作为最相关的结果返回。
 
-在本文中，你将使用 [TiDB 向量搜索](/vector-search-overview.md)、Python、[TiDB Vector Python SDK](https://github.com/pingcap/tidb-vector-python) 和 AI 大模型完成这个 AI 应用的开发。
+在本文中，你将使用 [TiDB 向量搜索](/vector-search/vector-search-overview.md)、Python、[TiDB Vector Python SDK](https://github.com/pingcap/tidb-vector-python) 和 AI 大模型完成这个 AI 应用的开发。
 
 > **警告：**
 >
@@ -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。
 
@@ -229,5 +229,5 @@ Search result ("a swimming animal"):
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-get-started-using-sql.md b/vector-search/vector-search-get-started-using-sql.md
similarity index 88%
rename from vector-search-get-started-using-sql.md
rename to vector-search/vector-search-get-started-using-sql.md
index d79a5d7e32ad..7c1feb7a0c8b 100644
--- a/vector-search-get-started-using-sql.md
+++ b/vector-search/vector-search-get-started-using-sql.md
@@ -5,7 +5,7 @@ summary: 了解如何在 TiDB 中使用 SQL 语句快速开始向量搜索，从
 
 # 使用 SQL 开始向量搜索
 
-TiDB 扩展了 MySQL 语法以支持[向量搜索](/vector-search-overview.md)，并引入了[向量数据类型](/vector-search-data-types.md)和多个[向量函数](/vector-search-functions-and-operators.md)。
+TiDB 扩展了 MySQL 语法以支持[向量搜索](/vector-search/vector-search-overview.md)，并引入了[向量数据类型](/vector-search/vector-search-data-types.md)和多个[向量函数](/vector-search/vector-search-functions-and-operators.md)。
 
 本文将展示如何使用 SQL 语句在 TiDB 中进行向量搜索。在本文中，你将使用 [MySQL 命令行客户端](https://dev.mysql.com/doc/refman/8.4/en/mysql.html)完成以下任务：
 
@@ -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。
 
@@ -175,5 +175,5 @@ LIMIT 3;
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-improve-performance.md b/vector-search/vector-search-improve-performance.md
similarity index 91%
rename from vector-search-improve-performance.md
rename to vector-search/vector-search-improve-performance.md
index 5ff595f561ce..58921085d24c 100644
--- a/vector-search-improve-performance.md
+++ b/vector-search/vector-search-improve-performance.md
@@ -13,11 +13,11 @@ summary: 了解优化 TiDB 向量搜索性能的最佳实践。
 
 ## 为向量列添加向量搜索索引
 
-[向量搜索索引](/vector-search-index.md)可显著提高向量搜索查询的性能，通常能提高 10 倍或更多，而召回率仅略有下降。
+[向量搜索索引](/vector-search/vector-search-index.md)可显著提高向量搜索查询的性能，通常能提高 10 倍或更多，而召回率仅略有下降。
 
 ## 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-index.md b/vector-search/vector-search-index.md
similarity index 97%
rename from vector-search-index.md
rename to vector-search/vector-search-index.md
index b1fc54e48a6b..7ed8953b8b66 100644
--- a/vector-search-index.md
+++ b/vector-search/vector-search-index.md
@@ -7,7 +7,7 @@ summary: 了解如何在 TiDB 中构建并使用向量搜索索引加速 K 近
 
 K 近邻（K-Nearest Neighbors，简称 KNN）搜索是一种在向量空间中找到距离给定向量最近的 K 个向量的查询。实现 K 近邻搜索最直接的方法是暴力搜索（即计算向量空间中所有点与给定向量之间的距离），这种方法可以达到最高的精确度，但在实际应用中其搜索速度往往过于缓慢。因此，K 近邻搜索通常会采用近似算法来提高搜索效率。
 
-在 TiDB 中，你可以创建并利用向量搜索索引来对[向量数据类型](/vector-search-data-types.md)的列进行近似近邻（Approximate Nearest Neighbor，简称 ANN）搜索。通过使用向量搜索索引，整个查询可在几毫秒内完成。
+在 TiDB 中，你可以创建并利用向量搜索索引来对[向量数据类型](/vector-search/vector-search-data-types.md)的列进行近似近邻（Approximate Nearest Neighbor，简称 ANN）搜索。通过使用向量搜索索引，整个查询可在几毫秒内完成。
 
 > **警告：**
 >
@@ -31,7 +31,7 @@ TiDB 目前支持 [HNSW (Hierarchical Navigable Small World)](https://en.wikiped
 
 [HNSW](https://en.wikipedia.org/wiki/Hierarchical_navigable_small_world) 是当前最流行的向量搜索索引算法之一。它性能良好，而且准确率相对较高，特定情况下可达 98%。
 
-在 TiDB 中，你可以通过以下任一种方式为[向量数据类型](/vector-search-data-types.md)的列创建 HNSW 索引。
+在 TiDB 中，你可以通过以下任一种方式为[向量数据类型](/vector-search/vector-search-data-types.md)的列创建 HNSW 索引。
 
 - 在建表时，使用以下语法来指定为哪一个向量列创建 HNSW 索引：
 
@@ -251,5 +251,5 @@ LIMIT 10;
 
 ## 另请参阅
 
-- [优化向量搜索性能](/vector-search-improve-performance.md)
-- [向量数据类型](/vector-search-data-types.md)
\ No newline at end of file
+- [优化向量搜索性能](/vector-search/vector-search-improve-performance.md)
+- [向量数据类型](/vector-search/vector-search-data-types.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-django-orm.md b/vector-search/vector-search-integrate-with-django-orm.md
similarity index 96%
rename from vector-search-integrate-with-django-orm.md
rename to vector-search/vector-search-integrate-with-django-orm.md
index 6f6d262a43f9..622e886eb822 100644
--- a/vector-search-integrate-with-django-orm.md
+++ b/vector-search/vector-search-integrate-with-django-orm.md
@@ -5,7 +5,7 @@ summary: 了解如何在 Django ORM 中通过 TiDB 向量搜索功能存储向
 
 # 在 Django ORM 中使用 TiDB 向量搜索
 
-本文档将展示如何使用 [Django](https://www.djangoproject.com/) ORM 与 [TiDB 向量搜索](/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
+本文档将展示如何使用 [Django](https://www.djangoproject.com/) ORM 与 [TiDB 向量搜索](/vector-search/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
 
 > **警告：**
 >
@@ -258,5 +258,5 @@ results = Document.objects.annotate(
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-jinaai-embedding.md b/vector-search/vector-search-integrate-with-jinaai-embedding.md
similarity index 98%
rename from vector-search-integrate-with-jinaai-embedding.md
rename to vector-search/vector-search-integrate-with-jinaai-embedding.md
index ddc26e79bcf7..f817863cd3ed 100644
--- a/vector-search-integrate-with-jinaai-embedding.md
+++ b/vector-search/vector-search-integrate-with-jinaai-embedding.md
@@ -272,5 +272,5 @@ with Session(engine) as session:
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-langchain.md b/vector-search/vector-search-integrate-with-langchain.md
similarity index 99%
rename from vector-search-integrate-with-langchain.md
rename to vector-search/vector-search-integrate-with-langchain.md
index b91a7591935d..a7891ce87b2e 100644
--- a/vector-search-integrate-with-langchain.md
+++ b/vector-search/vector-search-integrate-with-langchain.md
@@ -5,7 +5,7 @@ summary: 展示如何在 LangChain 中使用 TiDB 向量搜索
 
 # 在 LangChain 中使用 TiDB 向量搜索
 
-本文档将展示如何在 [LangChain](https://python.langchain.com/) 中使用 [TiDB 向量搜索](/vector-search-overview.md)。
+本文档将展示如何在 [LangChain](https://python.langchain.com/) 中使用 [TiDB 向量搜索](/vector-search/vector-search-overview.md)。
 
 > **警告：**
 >
@@ -632,5 +632,5 @@ vector_store.tidb_vector_client.execute("DROP TABLE airplan_routes")
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-llamaindex.md b/vector-search/vector-search-integrate-with-llamaindex.md
similarity index 98%
rename from vector-search-integrate-with-llamaindex.md
rename to vector-search/vector-search-integrate-with-llamaindex.md
index d3408d396d4e..23271e3fb55b 100644
--- a/vector-search-integrate-with-llamaindex.md
+++ b/vector-search/vector-search-integrate-with-llamaindex.md
@@ -5,7 +5,7 @@ summary: 了解如何在 LlamaIndex 中使用 TiDB 向量搜索。
 
 # 在 LlamaIndex 中使用 TiDB 向量搜索
 
-本文档将展示如何在 [LlamaIndex](https://www.llamaindex.ai) 中使用 [TiDB 向量搜索](/vector-search-overview.md)。
+本文档将展示如何在 [LlamaIndex](https://www.llamaindex.ai) 中使用 [TiDB 向量搜索](/vector-search/vector-search-overview.md)。
 
 > **警告：**
 >
@@ -312,5 +312,5 @@ Empty Response
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-peewee.md b/vector-search/vector-search-integrate-with-peewee.md
similarity index 96%
rename from vector-search-integrate-with-peewee.md
rename to vector-search/vector-search-integrate-with-peewee.md
index 064d951dd222..18609efe77b9 100644
--- a/vector-search-integrate-with-peewee.md
+++ b/vector-search/vector-search-integrate-with-peewee.md
@@ -5,7 +5,7 @@ summary: 了解如何在 peewee 中通过 TiDB 向量搜索功能存储向量并
 
 # 在 peewee 中使用 TiDB 向量搜索
 
-本文档将展示如何使用 [peewee](https://docs.peewee-orm.com/) 与 [TiDB 向量搜索](/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
+本文档将展示如何使用 [peewee](https://docs.peewee-orm.com/) 与 [TiDB 向量搜索](/vector-search/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
 
 > **警告：**
 >
@@ -250,5 +250,5 @@ results = Document.select(Document, distance).where(distance_expression < 0.2).o
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integrate-with-sqlalchemy.md b/vector-search/vector-search-integrate-with-sqlalchemy.md
similarity index 96%
rename from vector-search-integrate-with-sqlalchemy.md
rename to vector-search/vector-search-integrate-with-sqlalchemy.md
index 6f25678c9c98..4a8572e92250 100644
--- a/vector-search-integrate-with-sqlalchemy.md
+++ b/vector-search/vector-search-integrate-with-sqlalchemy.md
@@ -5,7 +5,7 @@ summary: 了解如何在 SQLAlchemy 中通过 TiDB 向量搜索功能存储向
 
 # 在 SQLAlchemy 中使用 TiDB 向量搜索
 
-本文档将展示如何使用 [SQLAlchemy](https://www.sqlalchemy.org/) 与 [TiDB 向量搜索](/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
+本文档将展示如何使用 [SQLAlchemy](https://www.sqlalchemy.org/) 与 [TiDB 向量搜索](/vector-search/vector-search-overview.md)进行交互，以及如何存储向量和执行向量搜索查询。
 
 > **警告：**
 >
@@ -218,5 +218,5 @@ with Session(engine) as session:
 
 ## 另请参阅
 
-- [向量数据类型](/vector-search-data-types.md)
-- [向量搜索索引](/vector-search-index.md)
\ No newline at end of file
+- [向量数据类型](/vector-search/vector-search-data-types.md)
+- [向量搜索索引](/vector-search/vector-search-index.md)
\ No newline at end of file
diff --git a/vector-search-integration-overview.md b/vector-search/vector-search-integration-overview.md
similarity index 93%
rename from vector-search-integration-overview.md
rename to vector-search/vector-search-integration-overview.md
index 08145f67568c..b7d15a018486 100644
--- a/vector-search-integration-overview.md
+++ b/vector-search/vector-search-integration-overview.md
@@ -17,8 +17,8 @@ TiDB 目前支持以下 AI 框架。基于这些 AI 框架，你可以使用 TiD
 
 | AI 框架 | 教程                                                                                          |
 |---------------|---------------------------------------------------------------------------------------------------|
-| Langchain     | [在 LangChain 中使用 TiDB 向量搜索](/vector-search-integrate-with-langchain.md)   |
-| LlamaIndex    | [在 LlamaIndex 中使用 TiDB 向量搜索](/vector-search-integrate-with-llamaindex.md) |
+| Langchain     | [在 LangChain 中使用 TiDB 向量搜索](/vector-search/vector-search-integrate-with-langchain.md)   |
+| LlamaIndex    | [在 LlamaIndex 中使用 TiDB 向量搜索](/vector-search/vector-search-integrate-with-llamaindex.md) |
 
 此外，你还可以使用 TiDB 完成多种其它需求，例如将 TiDB 用于 AI 应用程序的文档存储和知识图谱存储等。
 
@@ -32,7 +32,7 @@ TiDB 向量搜索支持存储高达 16383 维的向量，可适应大多数嵌
 
 | 嵌入模型服务提供商 | 教程                                                                                                            |
 |-----------------------------|---------------------------------------------------------------------------------------------------------------------|
-| Jina AI                     | [结合 Jina AI 嵌入模型 API 使用 TiDB 向量搜索](/vector-search-integrate-with-jinaai-embedding.md) |
+| Jina AI                     | [结合 Jina AI 嵌入模型 API 使用 TiDB 向量搜索](/vector-search/vector-search-integrate-with-jinaai-embedding.md) |
 
 ## 对象关系映射 (ORM) 库
 
diff --git a/vector-search-limitations.md b/vector-search/vector-search-limitations.md
similarity index 94%
rename from vector-search-limitations.md
rename to vector-search/vector-search-limitations.md
index d081c0069be5..400f1b62ed7e 100644
--- a/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
 
diff --git a/vector-search-overview.md b/vector-search/vector-search-overview.md
similarity index 84%
rename from vector-search-overview.md
rename to vector-search/vector-search-overview.md
index 8755010f6a2f..3c26cac93c25 100644
--- a/vector-search-overview.md
+++ b/vector-search/vector-search-overview.md
@@ -27,7 +27,7 @@ TiDB 向量搜索提供了一种高级的语义搜索功能，可以在文档、
 
 向量嵌入在机器学习中至关重要，是语义相似性搜索的基础。
 
-TiDB 专门引入了[向量数据类型](/vector-search-data-types.md)以及[向量搜索索引](/vector-search-index.md)，用于优化向量嵌入的存储和检索，增强其在人工智能领域的应用。你可以使用向量类型在 TiDB 中存储向量嵌入，并执行向量搜索查询，找到语义上最相关的数据。
+TiDB 专门引入了[向量数据类型](/vector-search/vector-search-data-types.md)以及[向量搜索索引](/vector-search/vector-search-index.md)，用于优化向量嵌入的存储和检索，增强其在人工智能领域的应用。你可以使用向量类型在 TiDB 中存储向量嵌入，并执行向量搜索查询，找到语义上最相关的数据。
 
 ### 嵌入模型
 
@@ -41,7 +41,7 @@ TiDB 专门引入了[向量数据类型](/vector-search-data-types.md)以及[向
 
 在你将原始数据转换为向量并存储在 TiDB 中后，你的应用程序就可以开始利用这些向量来执行向量搜索查询，找到与用户查询语义或上下文最相关的数据。
 
-TiDB 向量搜索 (Vector Search) 通过使用[距离函数](/vector-search-functions-and-operators.md)来计算给定向量与数据库中存储的向量之间的距离，从而识别前 k 个近邻（KNN）向量。其中，与给定向量距离最小的向量即代表最相似的数据。
+TiDB 向量搜索 (Vector Search) 通过使用[距离函数](/vector-search/vector-search-functions-and-operators.md)来计算给定向量与数据库中存储的向量之间的距离，从而识别前 k 个近邻（KNN）向量。其中，与给定向量距离最小的向量即代表最相似的数据。
 
 ![The Schematic TiDB Vector Search](/media/vector-search/embedding-search.png)
 
@@ -68,5 +68,5 @@ TiDB 作为一款关系型数据库，在引入了向量搜索功能后，支持
 
 要开始使用 TiDB 向量搜索，请参阅以下文档：
 
-- [使用 Python 开始向量搜索](/vector-search-get-started-using-python.md)
-- [使用 SQL 开始向量搜索](/vector-search-get-started-using-sql.md)
\ No newline at end of file
+- [使用 Python 开始向量搜索](/vector-search/vector-search-get-started-using-python.md)
+- [使用 SQL 开始向量搜索](/vector-search/vector-search-get-started-using-sql.md)
\ No newline at end of file