一、概述

传统数据库依赖结构化数据的精确匹配，但无法高效处理文本、图像、音频等非结构化数据的语义相似性需求 —— 这类数据需通过Word2Vec、BERT、CNN等向量生成算法转换为高维特征向量，向量的距离直接对应数据的 相似度。

随着 AI大模型、RAG的爆发，海量向量的高效存储、快速相似性检索（Top-K 查询）需求激增。传统数据库缺乏专门的向量索引和计算优化，全表扫描效率极低，因此向量数据库应运而生 —— 它专为高维向量设计，通过优化存储结构、向量索引算法和并行计算，解决海量向量的快速相似匹配 核心痛点。

二、pgvector简介

pgvector是一个为 PostgreSQL 数据库设计的 开源扩展插件 (Extension)。它的核心功能是为 PostgreSQL 增加了对 高维向量 (Vector) 的原生支持。核心特点：

• 无缝集成PostgreSQL：可以在表中创建vector类型的列，像操作普通数据类型一样操作向量，支持标准的 SELECT, INSERT, UPDATE, DELETE 语句，以及与其他数据类型的混合查询。
• 支持多种距离度量：包括欧几里得距离 (<->)、余弦距离(<=>)、曼哈顿距离(<+>)等。
• 高性能向量索引：pgvector 提供了两种强大的近似最近邻索引HNSW和IVFFlat。HNSW查询速度极快，召回率高，但内存占用较大，构建索引较慢，适合对查询性能要求极致的场景；IVFFlat构建速度快，内存占用较小。通过调整 probe 参数可以在召回率和查询速度之间做权衡。适合对内存敏感或数据更新频繁的场景。

三、pgvector使用

1、安装pgvector

前提是已经安装好PostgreSQL，然后找到与PostgreSQL对应版本的pgvector并进行安装。

apt install postgresql-16-pgvector

2、启用pgvector

连接到目标数据库后执行如下命令：

CREATE EXTENSION vector;

可通过以下方式确认pgvector是否安装成功：

\dx vector

3、使用pgvector

创建向量表并插入数据：

CREATE TABLE items (
  id bigserial PRIMARY KEY,
  name varchar(100),
  features vector(3)
);

INSERT INTO items (name, features) VALUES ('高性能游戏本', '[10, 8, 9]');
INSERT INTO items (name, features) VALUES ('轻薄办公本', '[6, 9, 7]');
INSERT INTO items (name, features) VALUES ('长续航平板电脑', '[5, 7, 10]');
INSERT INTO items (name, features) VALUES ('入门级笔记本', '[4, 6, 5]');
INSERT INTO items (name, features) VALUES ('专业图形工作站', '[9, 5, 8]');

4、pgvector查询运算符

pgvector 主要提供了三个二元运算符，用于计算两个向量之间的距离。

运算符	距离类型	含义	适用场景
<->	欧几里得距离 (Euclidean Distance)	计算两个向量在 n 维空间中的 “直线距离”。距离越小，向量越相似。	当向量的绝对数值有意义时，例如：推荐系统中的用户行为统计、图像像素比较。
<=>	余弦距离 (Cosine Distance)	计算两个向量方向的差异（基于夹角）。结果范围在 0 到 2 之间。距离越小，向量方向越一致。	当只关心向量的 ** 方向（语义）** 是否相似时，例如：语义搜索、文本相似度比较、词嵌入（Word Embeddings）。这是最常用的场景。
<+>	曼哈顿距离 (Manhattan Distance)	计算两个向量在各个维度上距离差的绝对值之和（“街区距离”）。距离越小，向量越相似。	当数据维度代表独立的、可累加的路径或成本时，例如：路径规划、特征差异总和。

示例 1：使用余弦距离 (<=>) 查找最相似的物品

这是在语义搜索中最常用的场景。假设我们有一个查询向量 [8, 7, 8]，我们想找到特征最接近它的物品。

SELECT
  id,
  name,
  features,
  -- 计算并显示与查询向量的余弦距离
  features <=> '[8, 7, 8]' AS cosine_distance
FROM
  items
ORDER BY
  -- 按余弦距离升序排序，最相似的排在前面
  features <=> '[8, 7, 8]'
LIMIT 3;

查询结果如下：

 id |      name      | features |   cosine_distance    
----+----------------+----------+----------------------
  1 | 高性能游戏本   | [10,8,9] | 0.001165212470104371
  5 | 专业图形工作站 | [9,5,8]  |  0.01420861940174456
  4 | 入门级笔记本   | [4,6,5]  | 0.023498633049285234
(3 rows)

结果显示，“高性能游戏本” 与查询向量 [8, 7, 8] 的余弦距离最小，因此是最相似的。

示例 2：使用欧几里得距离 (<->) 查找最近的物品

如果我们关心的是数值上的绝对差异，我们可以使用欧几里得距离。

SELECT
  id,
  name,
  features,
  features <-> '[8, 7, 8]' AS euclidean_distance
FROM
  items
ORDER BY
  features <-> '[8, 7, 8]'
LIMIT 3;

查询结果如下：

 id |      name      | features | euclidean_distance 
----+----------------+----------+--------------------
  5 | 专业图形工作站 | [9,5,8]  |   2.23606797749979
  1 | 高性能游戏本   | [10,8,9] |  2.449489742783178
  2 | 轻薄办公本     | [6,9,7]  |                  3
(3 rows)

5、pgvector索引

当你的数据表非常大时，上述查询会变得非常缓慢，因为它需要对表中的每一行都进行一次向量计算（全表扫描）。为了解决这个问题，pgvector 支持创建向量索引，它能极大地加速相似度查询。

1）创建 HNSW 索引 (推荐用于高维度、追求召回率)：HNSW (Hierarchical Navigable Small Worlds) 是一种高效的近似最近邻（ANN）算法，非常适合高维度向量。

-- 为 features 列创建 HNSW 索引，使用余弦距离
CREATE INDEX items_features_idx ON items USING hnsw (features vector_cosine_ops);

-- 为 features 列创建 HNSW 索引，使用欧几里得距离
-- CREATE INDEX items_features_idx ON items USING hnsw (features vector_l2_ops);

注：创建索引时需要指定操作符类 (vector_cosine_ops或vector_l2_ops)，它必须与你查询时使用的运算符相匹配。

• <=> (余弦距离) 对应 vector_cosine_ops
• <-> (欧几里得距离) 对应 vector_l2_ops
• <+> (曼哈顿距离) 对应 vector_l1_ops

2）创建 IVFFlat 索引 (推荐用于低维度、追求速度)：IVFFlat (Inverted File with Flat Compression) 将向量空间划分为多个单元（lists），查询时只在少数几个单元中进行搜索。

-- 创建 IVFFlat 索引，使用余弦距离，并指定 100 个单元 (lists)
-- lists 的数量通常设置为数据集大小的平方根左右
CREATE INDEX items_features_idx ON items USING ivfflat (features vector_cosine_ops) WITH (lists = 100);

3）使用索引进行查询

创建索引后，不需要修改之前的 SELECT 查询语句。PostgreSQL 的查询优化器会自动选择使用索引来加速查询。

-- 这个查询现在会使用 items_features_idx 索引，速度会快得多
SELECT id, name
FROM items
ORDER BY features <=> '[8, 7, 8]'
LIMIT 5;

你可以使用 EXPLAIN ANALYZE 来验证索引是否被使用：

EXPLAIN ANALYZE
SELECT id, name FROM items ORDER BY features <=> '[8, 7, 8]' LIMIT 5;

在执行计划中，你应该能看到 Index Scan using items_features_idx。