pgvector

PostgreSQL 的开源向量检索扩展，为关系数据库增加向量类型与近似检索索引，适合已有 PG 系统改造。

PostgreSQL 生态中最成熟的向量检索扩展之一，核心价值在于将向量能力直接嵌入现有数据库，而非引入独立的向量数据库服务。它通过新增向量数据类型、索引方法和距离运算符，使原生的 SQL 查询天然支持语义搜索与混合过滤，极大降低了 AI 应用（如 RAG、推荐系统）的架构复杂度。

核心能力拆解

| 能力维度 | 具体实现 | 技术特征 |

|---------|---------|---------|

| 数据类型 | vector(n) | 固定维度浮点数组，支持 halfvec（半精度）与 sparsevec（稀疏向量） |

| 索引类型 | IVFFlat、HNSW、并行 HNSW | 覆盖精度优先与召回率优先的典型场景 |

| 距离算法 | L2、内积、余弦、L1 | 通过运算符（<->、<#>、<=>、<+>）直接调用 |

| 高级特性 | 精确搜索、半精确搜索、索引回退 | 支持对索引结果进行二次重排，平衡性能与准确率 |

技术优势与适用场景

• 零架构迁移：无需新增服务，直接 CREATE EXTENSION vector 即可使用，与现有表数据、事务、备份机制天然集成。
• SQL 融合查询：支持在一条语句中同时执行向量相似度过滤与常规 WHERE 条件（如标签、时间范围），无需跨系统拼接结果。
• 运维成本低：索引与数据同存储、同备份，沿用 PostgreSQL 的监控、权限、高可用体系，无需单独维护集群。
• 生态兼容：支持 pgvector 的 ORM 与客户端库已覆盖主流语言（Python、Node.js、Go、Java 等），并有 pgvector-python 等官方辅助工具。

典型应用模式

1. RAG 知识库：将文档切片 embedding 后存储，查询时按语义相似度取 top-K，并可与文档元数据（如来源、权限）组合过滤。
2. 推荐系统：用户向量与物品向量的内积计算直接通过 SQL 完成，支持实时更新用户偏好。
3. 去重与聚类：利用向量距离识别重复文本或对内容进行动态分组，无需导出数据至外部工具。

性能参考与限制

• 索引构建速度与查询延迟受 maintenance_work_mem、max_parallel_workers 等参数影响，需按数据量调优。
• 对超过 2000 维的向量，建议使用 halfvec 或降维处理，以控制存储与计算开销。
• 不支持流式索引更新（HNSW 为增量写入），但删除与更新操作会标记 tombstone，需定期 VACUUM 回收空间。

快速上手要点

```sql

-- 启用扩展

CREATE EXTENSION vector;

-- 创建带向量列的表

CREATE TABLE items (id bigserial PRIMARY KEY, content text, embedding vector(384));

-- 创建 HNSW 索引（推荐用于高召回率场景）

CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);

-- 查询最相似的 5 条记录

SELECT content FROM items ORDER BY embedding <=> '[0.1, 0.2, ...]' LIMIT 5;

```

选型结论

• 若你已在使用 PostgreSQL，且向量数据量在千万级以下、对查询延迟要求不极端苛刻，pgvector 是最稳妥的默认选择。
• 若需要超高并发（>10k QPS）或百亿级向量规模，建议评估专用向量数据库（如 Milvus、Qdrant）或云托管方案。
• 若仅需简单语义搜索且不想接触索引调优，可先使用 IVFFlat（构建快、内存占用低），待数据增长后再切换至 HNSW。

常见问题

pgvector 是什么？

PostgreSQL 的开源向量检索扩展，为关系数据库增加向量类型与近似检索索引，适合已有 PG 系统改造。

pgvector 的官方网站是什么？

pgvector 的官方网站是 https://github.com/pgvector/pgvector，可直接在浏览器中打开使用。