pgvector入门实战指南：PostgreSQL向量检索

一. 什么是 pgvector？

在AI驱动的应用里，向量数据已经成为存储与检索的核心。pgvector正是PostgreSQL为此打造的利器——一个开源的扩展，让数据库能原生处理和搜索高维嵌入向量。

核心能力一览

• 向量存储：把向量数据直接存在普通表里，和标准字段放一起。
• 距离计算：支持欧氏距离（L2）、内积、余弦相似度等主流度量。
• 最近邻搜索：兼顾精确搜索与近似搜索（IVFFlat / HNSW），按需选择。
• SQL兼容：向量列可以直接与其他列一起做过滤、排序、JOIN。
• 可扩展性：从小规模实验到较大数据量的生产环境，都能胜任。

二. 为什么选择 PostgreSQL + pgvector？

聊这个之前，先得问一个问题：为什么非要在一套数据库里搞向量？其实原因很直接。

• 数据整合：向量和原始数据住在一起，省去了部署独立向量数据库的麻烦。
• 事务与安全：直接继承PostgreSQL的全部事务机制、权限控制、备份与复制能力。这套体系久经考验，不用操心。
• 易于扩展：SQL里可以做JOIN、叠加业务过滤，实现真正的混合检索。
• 降低维护成本：只需要维护一个数据库系统，运维复杂度和成本都大大降低。
• 可视化和监控：PostgreSQL现有的工具生态可以直接用，比如pgAdmin、DataGrip等，分析起来很方便。

三. 安装与启用

事情从安装开始。前提是PostgreSQL版本至少13+，然后在系统里装上pgvector。装好后，进数据库执行一句话就能启用：

CREATE EXTENSION IF NOT EXISTS vector;

想确认是否成功？跑一条查询即可：

SELECT * FROM pg_extension WHERE extname='vector';

如果看到结果，恭喜，可以开始创建向量列了。

四. 基本数据结构

向量列的类型是vector，也支持vector(n)，其中n就是维度。

举个例子：

CREATE TABLE documents (    id BIGSERIAL PRIMARY KEY,    embedding VECTOR(3) -- 假设嵌入向量是3维);

注意一个小要点：向量列的维度是固定的，创建完表后就不能改了，所以建表前想清楚维度。

五. 基本操作

5.1 插入向量

插入数据时，直接用字符串格式的数组就行：

INSERT INTO documents (embedding) VALUES ('[1,2,3]'), ('[4,5,6]'),('[4,0,5]');

5.2 查询向量最近邻

搜索最近邻居的核心是使用距离运算符。最常用的是欧氏距离：

-- 使用 L2 距离SELECT id,embedding <-> '[1,2,3]' as score,embedding FROM documents ORDER BY embedding <-> '[1,2,3]' LIMIT 5;

根据score的得分，就能查询出相近的向量，值越小代表越相似，算法如下

公式

5.3 常用距离运算符

操作符	相似度度量	说明	推荐场景	值越小代表
<->	欧氏距离 (L2 Distance)	计算两个向量之间的几何距离	图像、音频、地理数据检索	越相似
<#>	负内积 (- Inner Product)	取负号后的内积，用于最大内积搜索	推荐系统、模型打分	越相似
<=>	余弦距离 (Cosine Distance)	1 - 余弦相似度，对向量长度不敏感	文本语义检索、跨语言向量匹配	越相似

5.4 其他操作

除了增删查，还有一些日常维护操作，比如：

# 向现有表中添加向量列ALTER TABLE items ADD COLUMN embedding vector(3);# 更新向量UPDATE items SET embedding = '[1,2,3]' WHERE id = 1;# 删除向量UPDATE items SET embedding = '[1,2,3]' WHERE id = 1;

（注意：第二个UPDATE是删除向量的常见做法——将向量置空或清零。）

六. Python 示例

写段Python代码演示一下使用过程。推荐pgvector-python配合psycopg2。

import numpy as npimport psycopg2from pgvector.psycopg2 import register_vector# 连接数据库conn = psycopg2.connect(host='192.168.1.101', dbname='test-agent', user='postgres', password='123456', port=5433)register_vector(conn)  # 注册 vector 类型cur = conn.cursor()# 插入示例向量embedding = np.random.rand(3).astype('float32')print(embedding)cur.execute(    "INSERT INTO documents (embedding) VALUES (%s)",    (embedding,)  # 注意这里的逗号，确保是元组格式)conn.commit()# 查询最近邻query_embedding = np.random.rand(3).astype('float32')print(query_embedding)cur.execute(    "SELECT id, embedding,embedding <-> %s as score  FROM documents ORDER BY embedding <-> %s LIMIT 5",    (query_embedding, query_embedding,))rows = cur.fetchall()for r in rows:    print(r)cur.close()conn.close()

这段代码里有个细节值得注意：cur.execute里传参数时，embedding后面一定要加逗号，这样Python才能正确解析成元组。否则可能会报参数个数不对的错误。

七. 小结

• pgvector 是 PostgreSQL 的向量扩展，支持高维嵌入向量存储与检索。
• 提供精确与近似最近邻查询，并可与 SQL 完美结合。
• 基础操作包括创建表、插入向量、查询最近邻以及选择合适的距离运算符。