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。

这个扩展解决的是“向量存哪儿”的问题

如果你手头已经有一套 PostgreSQL 在跑，现在要加语义搜索、图片相似度或者推荐召回，第一反应可能是再搭一套专门的向量数据库。pgvector 就是冲着“不用折腾”来的：它给 PG 加了一个 vector 类型，再配上近似最近邻（ANN）索引，让向量检索直接在你现有的表里完成。

适合谁用？已经有 PG、数据量在千万级以内、不想为了向量检索再维护一套独立服务的团队。如果你的向量规模上亿、QPS 极高，或者需要复杂的多路召回编排，专用向量库可能更合适——但多数业务场景其实到不了那个量级。

装起来和用起来都挺朴素

编译安装后执行 CREATE EXTENSION vector;，然后就能建带向量列的表：

CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
CREATE INDEX ON items USING hnsw (embedding vector_l2_ops);

支持三种距离度量：L2 欧氏距离、内积、余弦距离。索引有两种可选——HNSW 查询快、召回高，但建索引慢、占内存；IVFFlat 建得快、内存占用小，召回率依赖聚类参数调优。一般优先 HNSW，内存吃紧再考虑 IVFFlat。

查询就是普通 SQL，ORDER BY embedding <-> '[1,2,3]' LIMIT 10 这种写法。这意味着向量检索能和你的业务表 join、能和 WHERE 条件组合过滤、能走事务——这是独立向量库很难给到的顺手程度。

几个实际会碰到的点

• 维度上限：索引对向量维度有限制（HNSW 支持到 2000 维，IVFFlat 到 2000 维），超了就得降维或换方案。
• 过滤与召回：带 WHERE 条件的向量查询，PG 可能先用索引再过滤，导致返回结果不足。新版支持迭代扫描（iterative scan）缓解这个问题，但复杂过滤场景仍需实测。
• 写入开销：HNSW 索引的插入和更新有成本，高频写入的表要评估一下。
• 生态：和 pg_dump、逻辑复制、主流 ORM 都能配合，运维上基本沿用你现有的 PG 那套。

项目在 GitHub 上更新活跃，文档里有性能调优和参数说明，遇到问题翻 issue 基本能找到答案。一句话：它不是要取代专用向量库，而是让“已经有 PG”的人用最低成本把向量检索跑起来。

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。