概述
pgvector 是 PostgreSQL 的开源向量相似度搜索扩展，支持精确和近似最近邻搜索。腾讯云数据库 PostgreSQL 已预置 pgvector 0.8.x 版本，支持以下核心能力：
向量数据类型：vector（单精度）、halfvec（半精度）、sparsevec（稀疏向量）。
索引算法：HNSW（高性能）、IVFFlat（内存友好）。
距离度量：L2欧氏距离、余弦相似度、内积、L1曼哈顿距离。
前提条件
云数据库 PostgreSQL 实例版本 ≥ 12。
已创建数据库并具有
CREATE EXTENSION 权限。安装与启用
-- 创建 pgvector 扩展CREATE EXTENSION IF NOT EXISTS vector;-- 验证安装SELECT extversion FROM pg_extension WHERE extname = 'vector';
向量数据类型
vector（单精度浮点）
最常用的向量类型，每个维度占4字节。
-- 创建带向量列的表（1536 维，适配常见 Embedding 模型）CREATE TABLE documents (id BIGSERIAL PRIMARY KEY,content TEXT NOT NULL,embedding vector(1536));-- 插入向量数据INSERT INTO documents (content, embedding)VALUES ('PostgreSQL 是最先进的开源数据库', '[0.1, 0.2, 0.3, ...]'::vector(1536));
说明：
向量维度需与您使用的大模型输出维度一致。常见模型维度：OpenAI text-embedding-3-small（1536维）、BGE-M3（1024维）、ChatGLM Embedding（1024维）。
halfvec（半精度浮点）
每个维度占2字节，适合大规模向量存储（空间减半，精度损失极小）。
CREATE TABLE docs_halfvec (id BIGSERIAL PRIMARY KEY,embedding halfvec(1536));
sparsevec（稀疏向量）
适合高维稀疏向量（如 BM25 分数、SPLADE 输出）。
CREATE TABLE docs_sparse (id BIGSERIAL PRIMARY KEY,embedding sparsevec(30000));-- 稀疏向量使用 {index:value}/dim 格式INSERT INTO docs_sparse (embedding)VALUES ('{1:0.5, 100:0.3, 999:0.8}/30000'::sparsevec);
距离运算符
运算符 | 含义 | 使用场景 |
<-> | L2欧氏距离 | 通用相似度搜索 |
<=> | 余弦距离 | 文本 / 图像嵌入（推荐） |
<#> | 负内积 | 归一化向量的最大内积搜索 |
<+> | L1曼哈顿距离 | 特殊场景 |
-- 余弦相似度搜索（最常用）SELECT id, content,1 - (embedding <=> query_vec) AS similarityFROM documentsORDER BY embedding <=> query_vecLIMIT 10;-- L2 距离搜索SELECT id, contentFROM documentsORDER BY embedding <-> query_vecLIMIT 10;
索引创建
HNSW 索引（推荐）
HNSW（Hierarchical Navigable Small World）基于图的近似搜索，查询性能高、召回率好。
-- 创建 HNSW 索引（余弦距离）CREATE INDEX ON documentsUSING hnsw (embedding vector_cosine_ops)WITH (m = 16, ef_construction = 200);-- 创建 HNSW 索引（L2 距离）CREATE INDEX ON documentsUSING hnsw (embedding vector_l2_ops)WITH (m = 16, ef_construction = 200);
参数说明：
参数 | 默认值 | 说明 |
m | 16 | 每个节点的最大连接数，越大越精确但内存越多 |
ef_construction | 64 | 构建时搜索宽度，越大构建越慢但质量越高 |
查询时调优：
-- 增大 ef_search 提高召回率（默认 40）SET hnsw.ef_search = 100;
IVFFlat 索引
IVFFlat 适合对内存敏感的场景，构建速度更快。
-- 需要先有数据才能创建CREATE INDEX ON documentsUSING ivfflat (embedding vector_cosine_ops)WITH (lists = 100); -- lists 建议 = sqrt(行数)-- 查询时设置探测数SET ivfflat.probes = 10;
索引选择建议
场景 | 推荐索引 | 原因 |
数据量 < 100万 | HNSW | 查询快，召回率高 |
数据量 > 100万 | 磁盘友好 | |
频繁插入更新 | IVFFlat | 增量成本低 |
对召回率要求极高 | HNSW（大 ef_search） | 可逼近精确搜索 |
实战：构建语义搜索
-- 1. 创建知识库表CREATE TABLE knowledge_base (id BIGSERIAL PRIMARY KEY,title TEXT NOT NULL,content TEXT NOT NULL,embedding vector(1024),metadata JSONB DEFAULT '{}',created_at TIMESTAMPTZ DEFAULT NOW());-- 2. 创建索引CREATE INDEX idx_kb_hnsw ON knowledge_baseUSING hnsw (embedding vector_cosine_ops)WITH (m = 16, ef_construction = 200);-- 3. 语义搜索（结合 tencentdb_ai 获取查询向量）SELECT title, content,1 - (embedding <=> query_embedding) AS similarityFROM knowledge_base,LATERAL (SELECT tencentdb_ai.get_embedding('bge-m3', '什么是 PostgreSQL？')AS query_embedding) qWHERE embedding <=> query_embedding < 0.5ORDER BY embedding <=> query_embeddingLIMIT 5;
性能调优
批量导入优化
-- 先插数据，后建索引（速度更快）DROP INDEX IF EXISTS idx_kb_hnsw;-- ... 批量 COPY 数据 ...CREATE INDEX idx_kb_hnsw ON knowledge_baseUSING hnsw (embedding vector_cosine_ops);
向量维度选择
模型 | 维度 | 建议场景 |
BGE-M3 | 1024 | 中英文通用 |
text-embedding-3-small | 1536 | OpenAI 生态 |
Cohere embed-v3 | 1024 | 多语言 |
自定义降维 | 256 – 512 | 超大规模数据 |
注意事项
同一列向量维度必须相同。
数据量 < 1000行时全表扫描可能更快。
NULL 向量不会被索引收录。
HNSW 索引支持并发读写。
向量列建议设置 NOT NULL 约束。
