pgvector 向量数据库

什么是 pgvector

pgvector 是 PostgreSQL 的开源扩展，支持向量存储和相似度检索，让 PostgreSQL 兼具关系型数据库和向量数据库的能力。

为什么选 pgvector

对比项	pgvector	Milvus	Pinecone	Chroma
部署方式	PG 扩展，无额外运维	独立服务，运维复杂	云服务	嵌入式
ACID 事务	支持	不支持	不支持	不支持
数据规模	百万级	亿级	亿级	十万级
查询能力	SQL + 向量混合	仅向量	仅向量	仅向量
适用场景	中小规模、快速集成	大规模生产	免运维	原型开发

优势：复用 PostgreSQL 生态、ACID 事务、SQL + 向量混合查询、运维简单

劣势：超大规模数据（亿级以上）性能不如 Milvus

安装与配置

-- 安装扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 创建带向量列的表
CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    embedding VECTOR(1536),  -- OpenAI text-embedding-3 输出维度
    metadata JSONB
);

向量操作

-- 插入向量
INSERT INTO documents (content, embedding)
VALUES ('Hello world', '[0.1, 0.2, 0.3, ...]');

-- 余弦相似度查询（越小越相似）
SELECT content, embedding <=> '[0.1, 0.2, 0.3, ...]' AS distance
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, 0.3, ...]'
LIMIT 5;

-- 距离运算符
-- <=>  余弦距离
-- <->  L2 距离（欧几里得）
-- <#>  内积（负值，越大越相似）

索引类型

索引	原理	适用场景	构建速度
IVFFlat	聚类分区 + 暴力搜索	数据量适中、精度要求高	快
HNSW	图结构近似搜索	大数据量、低延迟需求	慢

-- HNSW 索引（推荐）
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- IVFFlat 索引
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);

与 RAG 集成

from langchain_community.vectorstores import PGVector
from langchain_openai import OpenAIEmbeddings

# 连接 pgvector
vectorstore = PGVector.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    connection_string="postgresql://user:pass@localhost:5432/mydb",
    collection_name="knowledge_base"
)

# 相似度检索
results = vectorstore.similarity_search("用户查询内容", k=5)

实际应用场景

• 语义搜索：用户输入自然语言，返回语义最相关的文档
• 相似度推荐：基于内容 Embedding 找相似商品/文章
• AI 记忆存储：对话历史向量化存储，多轮对话时检索相关记忆
• 混合查询：SQL 条件过滤 + 向量相似度排序，同时满足结构化和语义化需求