PGVector教程：30分钟给PostgreSQL加AI搜索

📘 教程 2026-08-01 约 5 分钟阅读

你已经在用PostgreSQL——加向量搜索可以保持技术栈简单。

💡 你将学到

你已经在用PostgreSQL——加向量搜索可以保持技术栈简单。

📜 目录

PGVector 教程 2026：30 分钟为 PostgreSQL 添加 AI 搜索
为什么选择 PGVector 而不是新数据库
第 1 步：安装扩展
第 2 步：创建表
第 3 步：插入嵌入（Python）
第 4 步：搜索
第 5 步：添加索引（大规模场景下必需）
常见问题
相关文章

PGVector 教程 2026：30 分钟为 PostgreSQL 添加 AI 搜索

PGVector 是 PostgreSQL 的扩展，可为现有数据库添加向量存储和相似度搜索功能。凭借 22,400 个 GitHub Star，它是在不引入独立向量数据库的情况下添加语义搜索的最流行方式。如果你已经在运行 Postgres，本教程可在半小时内让你拥有一个可用的 RAG 搜索。

为什么选择 PGVector 而不是新数据库

因素	PGVector	专用向量数据库
安装	1 条命令	需要运行新服务
数据一致性	与数据同库	需要同步
事务	完整 ACID	各不相同
扩展性	约 100 万向量以内表现出色	1 亿以上更优
你已在运行 Postgres	免费	额外成本

第 1 步：安装扩展

CREATE EXTENSION IF NOT EXISTS vector;

在 Ubuntu 上：apt install postgresql-16-pgvector。在 Mac 上：brew install pgvector。

第 2 步：创建表

CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    embedding vector(768)
);

768 维度必须与你的嵌入模型匹配（bge-m3 使用 1024；nomic-embed-text 使用 768）。

第 3 步：插入嵌入（Python）

import psycopg2
from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
vec = client.embeddings.create(model="nomic-embed-text", input="your text").data[0].embedding

conn = psycopg2.connect("dbname=app")
conn.execute(
    "INSERT INTO documents (content, embedding) VALUES (%s, %s)",
    ("your text", vec)
)

第 4 步：搜索

SELECT content, 1 - (embedding <=> query_embedding) AS similarity
FROM documents
ORDER BY embedding <=> query_embedding
LIMIT 5;

<=> 运算符表示余弦距离。数值越小 = 越相似。

第 5 步：添加索引（大规模场景下必需）

CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

HNSW 索引可在数据超过约 1 万行后，将搜索时间从秒级缩短到毫秒级。

常见问题

PGVector 与专用向量数据库相比如何？ 对于约 1000 万向量以下的大多数应用，PGVector 在简单性和一致性方面更胜一筹。Chroma（28,900 Star）、Qdrant（33,700 Star）和 Milvus（45,400 Star）在超大规模场景或需要专用存储时更具优势。

是否兼容 LangChain？ 是的——langchain-postgres 提供了 PGVector 向量存储类。

选择 HNSW 还是 IVFFlat 索引？ 选 HNSW——准确率更高且无需调参。IVFFlat 已属遗留方案。