企业官网建设流程全解析

AI 数据库入门：5分钟带你玩转 PostgreSQL 向量检索 (pgvector)

在构建大模型应用（如 RAG 检索增强生成、智能推荐系统）时，我们往往面临一个架构选择：是引入独立的向量数据库（如 Milvus、Pinecone），还是直接在现有关系型数据库中解决？

引入独立向量数据库虽然性能强劲，但会带来额外的运维成本、数据同步难题以及无法进行复杂 JOIN 查询的痛点。

破局之道：pgvector。它让 PostgreSQL 直接具备了向量存储与检索能力，实现业务数据与向量数据的统一管理，完美支持 ACID 事务和传统 SQL 操作。本文将带你用 5 分钟时间，从环境搭建到核心检索，快速上手 pgvector。

环境准备与安装

前置条件

pgvector 需要PostgreSQL 13及以上版本。

安装方式

1. Docker 一键部署（强烈推荐）

这是最快、最干净的方式，无需污染本地环境：

dockerrun--namepgvector-ePOSTGRES_PASSWORD=mysecretpassword-p5432:5432-dpgvector/pgvector:pg16

2. 源码编译安装（适合本地开发）

如果你已有 PostgreSQL 环境，可以通过源码安装：

cd/tmpgitclone--branchv0.7.0 https://github.com/pgvector/pgvector.gitcdpgvectormakemakeinstall

启用扩展

连接到数据库后，执行以下 SQL 启用扩展：

CREATEEXTENSION vector;

核心实战：建表、插入与检索

1. 创建向量表

使用vector(dimensions)类型定义向量列。以下以 3 维向量为例（实际业务中如 BGE-M3 模型通常为 768 或 1024 维）：

CREATETABLEtblvector(id bigserialPRIMARYKEY,itemtext,embedding vector(3));

2. 插入向量数据

将 AI 模型生成的 Embedding 存入数据库：

INSERTINTOtblvector(item,embedding)VALUES('苹果','[1.0, 0.9, 0.2]'),('香蕉','[1.2, 0.8, 0.1]'),('猫','[6.0, 0.4, 5.0]');

3. 相似度检索

使用距离操作符<=>进行余弦相似度检索，查找最相似的 Top-K 结果：

SELECTitem,embedding<=>'[1.2, 0.8, 0.1]'AScosine_distanceFROMtblvectorORDERBYcosine_distanceLIMIT2;

预期结果：

提示：<=>为余弦距离，值越小越相似；<->为欧氏距离；<#>为负内积距离。

性能进阶：索引策略

当数据量达到百万级时，全表扫描将成为性能瓶颈。pgvector 提供了两种主流索引：

HNSW 索引（推荐）

适合对查询性能要求高、数据更新不频繁的场景。构建速度较慢，但查询极快。

CREATEINDEXONtblvectorUSINGhnsw(embedding vector_cosine_ops)WITH(m=16,ef_construction=64);

• m: 每个节点的最大连接数，越大索引质量越高，内存占用越大。
• ef_construction: 构建索引时的搜索宽度，越大构建越慢但索引质量越好。

IVFFlat 索引

适合数据量极大、构建速度要求高的场景。需要先有数据才能创建索引。

CREATEINDEXONtblvectorUSINGivfflat(embedding vector_cosine_ops)WITH(lists=100);

• lists: 聚类中心数量，通常建议设置为sqrt(行数)到行数/1000之间。

总结与下一步

pgvector 的核心优势在于零额外运维、事务一致性和SQL 生态兼容。对于中小规模向量检索或混合检索场景，它是目前性价比最高的选择。

下一步思考：
如何结合 LangChain 或 LlamaIndex 搭建完整的 RAG 系统？如何在 pgvector 中实现元数据过滤（Metadata Filtering）？

互动话题：在你的项目中，你更倾向于使用 HNSW 还是 IVFFlat 索引？欢迎在评论区分享你的实战经验！