pgvector是PostgreSQL官方推荐的向量检索插件，支持余弦相似度、L2距离等度量方式，提供IVFFlat索引加速大规模向量搜索，可与SQL深度集成并兼容主流ORM。通过简单部署步骤可在PostgreSQL 14+中启用，创建VECTOR类型字段并建立索引后，即可实现高效的语义相似性查询。典型应用如文档语义搜索，结合结构化过滤条件可进一步提升检索效率。生产环境中建议合理设置索引参数（如lists约为总数据量1%）、定期重建索引、控制单表向量规模在千万级以内，以保障性能与稳定性。pgvector使PostgreSQL具备轻量级向量数据库能力，适合已有PG技术栈的企业低成本集成AI语义搜索功能。
在当前大模型和语义搜索快速发展的背景下，向量检索能力成为数据库系统的重要补充。PostgreSQL 作为功能强大的开源关系型数据库，通过扩展插件可以原生支持向量相似性检索，实现高效、可靠的 embedding 落地应用。其中最主流的方案是使用 pgvector 插件。
1. pgvector：PostgreSQL 官方推荐的向量检索插件
pgvector 是一个为 PostgreSQL 设计的开源扩展，允许在数据库中存储向量（embedding），并支持基于余弦相似度、欧氏距离、内积等算法进行高效的最近邻搜索。
核心特性包括：
- 支持多种距离度量方式：cosine、L2、inner product
- 提供高效的 IVFFlat 索引结构，加速大规模向量检索
- 与 SQL 深度集成，可直接在查询中使用向量操作符
- 兼容主流 ORM 和应用框架（如 Python 的 SQLAlchemy）
2. 快速部署 pgvector 扩展
以 Linux 环境下的 PostgreSQL 14+ 为例，安装 pgvector 的常见方式如下：
# 安装编译依赖 sudo apt-get install build-essential libpq-dev postgresql-server-dev-14克隆 pgvector 仓库
git clone https://www.php.cn/link/3f6054af09f4377db1018636815ce554 cd pgvector
编译并安装
make make install
在 PostgreSQL 中启用扩展
psql -c "CREATE EXTENSION IF NOT EXISTS vector;"
安装完成后即可在任意 schema 中创建向量字段。
3. 向量表设计与相似性查询示例
假设我们要构建一个文档语义搜索系统，每条文档对应一个 embedding 向量（例如由 Sentence-BERT 生成的 768 维向量）：
-- 创建带向量字段的表
CREATE TABLE documents (
id BIGSERIAL PRIMARY KEY,
content TEXT,
embedding VECTOR(768)
);
-- 创建 IVFFlat 索引（指定聚类数）
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);
插入数据时，将模型输出的 embedding 数组写入 vector 字段：
INSERT INTO documents (content, embedding)
VALUES ('人工智能正在改变世界', '[0.1, 0.5, ..., 0.7]');
执行语义相似性检索：
SELECT content FROM documents ORDER BY embedding <=> '[0.2, 0.6, ..., 0.8]'::VECTOR LIMIT 5;
上述查询会返回与目标向量余弦距离最近的 5 条记录。
4. 性能优化与生产建议
为了在生产环境中稳定运行向量检索服务，需注意以下几点：
- 合理设置 IVF 聚类参数：lists 数量通常设为总向量数的 1% 左右，平衡精度与速度
- 定期重建索引：数据频繁增删时，IVFFlat 索引可能退化，需定期 REINDEX
- 控制单表向量规模：建议单表控制在千万级以内，超大规模可结合分区或分库
- 混合查询优化：结合标签、时间等结构化条件过滤后再做向量检索，提升效率
基本上就这些。pgvector 让 PostgreSQL 成为轻量级向量数据库的理想选择，尤其适合已有 PG 技术栈、希望低成本集成语义搜索能力的场景。不复杂但容易忽略的是索引参数调优和数据更新策略，这直接影响线上效果。
