1. pgvector 核心原理与架构设计1.1 什么是 pgvectorpgvector 是 PostgreSQL 的开源扩展Extension为世界上最先进的开源关系型数据库添加向量相似度搜索能力。与 PineconeSaaS和 Milvus独立系统不同pgvector 完全集成在 PostgreSQL 内部复用其存储引擎、事务机制、复制架构和生态工具。核心定位零额外基础设施现有 PostgreSQL 实例直接启用无需部署新系统ACID 事务保障向量操作与普通数据共享同一事务边界SQL 原生支持用标准 SQL 进行向量操作无需学习新查询语言生态复用PgAdmin、DBeaver、连接池、备份工具全部兼容版本演进0.1.x-0.4.x基础功能ivfflat 索引0.5.xHNSW 索引引入性能大幅提升0.6.x稀疏向量支持性能优化0.7.x迭代式扫描量化支持生产级稳定1.2 架构原理PostgreSQL 扩展机制1.2.1 Postgres 扩展架构PostgreSQL 通过扩展Extension机制在不修改核心代码的情况下添加功能┌─────────────────────────────────────────┐ │ PostgreSQL 核心进程 │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ Parser │ │ Planner │ │ Executor│ │ │ │ (SQL解析)│ │ (查询计划)│ │ (执行器) │ │ │ └────┬────┘ └────┬────┘ └────┬────┘ │ │ │ │ │ │ │ └────────────┼────────────┘ │ │ ▼ │ │ ┌─────────────┐ │ │ │ Extension │ │ │ │ Manager │ │ │ │ (加载扩展) │ │ │ └──────┬──────┘ │ └──────────────────┼───────────────────────┘ │ ┌──────────┼──────────┐ ▼ ▼ ▼ ┌────────┐ ┌────────┐ ┌────────┐ │PostGIS │ │pgvector│ │TimescaleDB│ │(地理空间)│ │(向量) │ │(时序) │ └────────┘ └────────┘ └────────┘pgvector 集成点新数据类型vector(dim)halfvec(dim)sparsevec(dim)新操作符-欧氏距离余弦相似度#内积新索引类型ivfflathnsw使用 Postgres 通用索引接口新函数vector_normvector_dimsl2_distance等1.2.2 向量存储格式pgvector 使用 PostgreSQL 的 TOASTThe Oversized-Attribute Storage Technique机制存储向量内存中处理时 [0.23, -0.56, 0.89, ..., 0.12] ← float4 数组4字节/维度 磁盘存储压缩后 ┌─────────────────────────────────────────┐ │ VARHDRA (1-4 bytes) │ 维度 (2 bytes) │ float4[] 数据 │ └─────────────────────────────────────────┘ │ ▼ TOAST 压缩如果 2KB │ ▼ 磁盘页8KB 默认存储优化halfvec2字节/维度float16节省 50% 存储轻微精度损失sparsevec稀疏向量存储仅存储非零维度类似 CSR 格式1.3 索引算法详解pgvector 实现了两种主流 ANN 索引复用 PostgreSQL 的索引接口1.3.1 IVFFlat 索引-- 创建 IVF 索引 CREATE INDEX ON items USING ivfflat (embedding vector_cosine_ops) WITH (lists 100); -- 聚类中心数原理训练阶段 1. 从现有数据采样K-Means 聚类成 lists 个中心 2. 每个向量分配到最近的中心倒排列表 3. 为每个列表构建独立的向量数组 查询阶段 1. 找到查询向量最近的 probes 个中心默认 1 2. 在这些中心的列表中暴力搜索 3. 合并结果返回 top_k参数调优参数作用建议值lists聚类中心数数据量的平方根最大 4096probes查询时扫描的列表数1-10越大召回越高特点构建快适合批量导入后不再更新的场景查询速度中等召回率依赖 probes 参数不支持增量更新需要重建1.3.2 HNSW 索引推荐-- 创建 HNSW 索引pgvector 0.5.0 CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops) WITH (m 16, ef_construction 64);原理分层可导航小世界图 - 第 0 层密集连接的基础图所有节点 - 第 1 层随机采样 50% 节点构建上层图 - 第 2 层再采样 50%共 log(N) 层 构建阶段 1. 随机插入节点计算与现有节点的距离 2. 为每层选择 M 个最近邻居建立连接 3. 动态维护图的连通性 查询阶段 1. 从顶层随机节点开始贪心搜索 2. 找到局部最优后下沉到下一层 3. 在底层精细搜索ef 控制搜索宽度参数调优参数作用建议值m最大出度8-64越大图越稠密构建越慢ef_construction构建时搜索深度64-200越大图质量越高ef查询时搜索宽度 top_k越大召回越高特点查询极快召回率高95%支持增量插入实时更新构建较慢内存占用高约 2 倍原始数据1.3.3 索引操作符类-- 根据距离度量选择操作符类 CREATE INDEX ON items USING hnsw ( embedding vector_cosine_ops -- 余弦相似度推荐文本 -- embedding vector_l2_ops -- 欧氏距离推荐图像 -- embedding vector_ip_ops -- 内积推荐推荐系统 -- embedding vector_hamming_ops -- 汉明距离二进制向量 );1.4 查询执行流程-- 示例查询 SELECT id, content, embedding [0.1, 0.2, ...]::vector AS distance FROM documents WHERE category tech AND published 2024-01-01 ORDER BY embedding [0.1, 0.2, ...]::vector LIMIT 10;执行计划┌─────────────────────────────────────────────────────────┐ │ Limit (cost100.00..100.10 rows10) │ │ - Index Scan using documents_embedding_idx │ │ Index Cond: (embedding [...]::vector) │ │ Order By: (embedding [...]::vector) │ │ Filter: ((category tech) AND (published │ │ 2024-01-01::date)) │ └─────────────────────────────────────────────────────────┘优化器决策如果category选择性高可能先扫 B-Tree 索引再向量排序如果向量过滤后数据少直接使用 HNSW 索引LIMIT推动到索引层避免全表扫描2. 部署实战从开发到生产2.1 开发环境Docker 快速启动# 方式 1官方镜像推荐 docker run --name pgvector-dev \ -e POSTGRES_PASSWORDpostgres \ -p 5432:5432 \ -d pgvector/pgvector:pg16 # 进入容器启用扩展 docker exec -it pgvector-dev psql -U postgres -c CREATE EXTENSION vector; # 方式 2Docker Compose完整开发栈 cat docker-compose.yml EOF version: 3.8 services: postgres: image: pgvector/pgvector:pg16 environment: POSTGRES_USER: dev POSTGRES_PASSWORD: devpass POSTGRES_DB: vectordb ports: - 5432:5432 volumes: - pgdata:/var/lib/postgresql/data - ./init.sql:/docker-entrypoint-initdb.d/init.sql command: postgres -c shared_preload_librariespg_stat_statements -c max_connections200 pgadmin: image: dpage/pgadmin4:latest environment: PGADMIN_DEFAULT_EMAIL: adminexample.com PGADMIN_DEFAULT_PASSWORD: admin ports: - 8080:80 depends_on: - postgres volumes: pgdata: EOF docker-compose up -d2.2 生产环境源码编译安装场景需要特定 PostgreSQL 版本或优化编译参数# 1. 安装依赖 sudo apt-get update sudo apt-get install -y postgresql-server-dev-16 build-essential git # 2. 下载源码 cd /tmp git clone --branch v0.7.0 https://github.com/pgvector/pgvector.git cd pgvector # 3. 编译安装 make OPTFLAGS-marchnative -O3 # 针对 CPU 优化 sudo make install # 4. 启用扩展 sudo -u postgres psql -c CREATE EXTENSION vector; # 5. 验证 psql -c SELECT * FROM pg_available_extensions WHERE name vector;2.3 云托管服务配置2.3.1 AWS RDS/Aurora-- RDS 支持 pgvector需特定版本 -- 创建参数组启用 -- 通过 RDS 控制台或 CLI 修改 -- 连接后启用 CREATE EXTENSION IF NOT EXISTS vector; -- 查看版本 SELECT * FROM pg_extension WHERE extname vector;限制不支持 HNSW 索引的某些高级参数调整无法自定义编译优化依赖 RDS 版本发布节奏2.3.2 Supabase/Neon 等 Serverless Postgres-- Supabase 已预装 pgvector -- 直接在 SQL Editor 执行 CREATE EXTENSION vector; -- 向量列限制Supabase 免费版有 500MB 限制 -- 建议大向量表使用单独的项目2.4 连接池与高性能配置# postgresql.conf 优化生产环境 # 内存配置假设 64GB 内存服务器 shared_buffers 16GB # 25% 内存 effective_cache_size 48GB # 75% 内存 work_mem 256MB # 复杂排序/哈希操作 maintenance_work_mem 2GB # 索引构建 # 并发配置 max_connections 200 max_parallel_workers_per_gather 4 max_parallel_workers 8 # WAL 配置SSD 优化 wal_buffers 16MB min_wal_size 1GB max_wal_size 4GB checkpoint_completion_target 0.9 # 查询计划 random_page_cost 1.1 # SSD 设置 1.1HDD 默认 4 effective_io_concurrency 200 # SSD 并发数 # pgvector 特定 # 无特殊 GUC 参数依赖 Postgres 基础优化连接池PgBouncer; pgbouncer.ini [databases] vectordb hostlocalhost port5432 dbnamevectordb [pgbouncer] listen_port 6432 listen_addr 0.0.0.0 auth_type md5 max_client_conn 10000 default_pool_size 25 reserve_pool_size 5 pool_mode transaction # 推荐事务级池化3. SQL 操作完全指南3.1 数据类型与基础操作-- 数据类型定义 -- 稠密向量最常用 CREATE TABLE documents ( id SERIAL PRIMARY KEY, content TEXT, embedding vector(1536), -- 1536 维 float4 向量 metadata JSONB -- 灵活元数据 ); -- 半精度向量节省存储 CREATE TABLE images ( id SERIAL PRIMARY KEY, url TEXT, embedding halfvec(512), -- 512 维 float2省 50% 空间 category VARCHAR(50) ); -- 稀疏向量关键词权重 CREATE TABLE keywords ( id SERIAL PRIMARY KEY, doc_id INTEGER REFERENCES documents(id), embedding sparsevec(100000), -- 10万维仅存储非零值 term TEXT ); -- 向量构造与转换 -- 从数组构造 SELECT [1,2,3]::vector(3); SELECT ARRAY[0.1, 0.2, 0.3]::vector(3); -- 维度检查严格 SELECT [1,2]::vector(3); -- 错误维度不匹配 -- 类型转换 SELECT embedding::halfvec FROM documents; -- 降精度 SELECT embedding::vector FROM images; -- 升精度 -- 距离计算 -- 欧氏距离L2 SELECT embedding - [0.1, 0.2, ...]::vector AS distance FROM documents; -- 余弦距离1 - 余弦相似度范围 [0, 2] SELECT embedding [0.1, 0.2, ...]::vector AS distance FROM documents; -- 内积负值表示角度 90° SELECT embedding # [0.1, 0.2, ...]::vector AS dot_product FROM documents; -- 负内积用于最大内积搜索 SELECT embedding [0.1, 0.2, ...]::vector FROM documents; -- 汉明距离二进制向量 SELECT embedding ~ [1,0,1,...]::bit(10) FROM binary_items; -- 向量属性 SELECT vector_dims(embedding) AS dimensions, -- 维度 vector_norm(embedding) AS magnitude, -- 模长 embedding::text AS string_representation -- 文本表示 FROM documents;3.2 表设计与索引策略-- 生产级表设计 -- 分区表按时间分区适合日志/时序数据 CREATE TABLE document_chunks ( id BIGSERIAL, doc_id INTEGER NOT NULL, chunk_index INTEGER NOT NULL, content TEXT NOT NULL, embedding vector(1536) NOT NULL, created_at TIMESTAMP DEFAULT NOW(), metadata JSONB DEFAULT {}, PRIMARY KEY (id, created_at) ) PARTITION BY RANGE (created_at); -- 创建分区 CREATE TABLE document_chunks_2024_q1 PARTITION OF document_chunks FOR VALUES FROM (2024-01-01) TO (2024-04-01); CREATE TABLE document_chunks_2024_q2 PARTITION OF document_chunks FOR VALUES FROM (2024-04-01) TO (2024-07-01); -- 索引每个分区独立创建 CREATE INDEX ON document_chunks_2024_q1 USING hnsw (embedding vector_cosine_ops); CREATE INDEX ON document_chunks_2024_q2 USING hnsw (embedding vector_cosine_ops); -- 普通 B-Tree 索引元数据过滤 CREATE INDEX ON document_chunks (doc_id); CREATE INDEX ON document_chunks USING gin (metadata); -- JSONB 索引 -- 索引策略选择 -- 策略 1纯 HNSW小数据量 100万高并发查询 CREATE INDEX idx_hnsw ON documents USING hnsw (embedding vector_cosine_ops) WITH (m 16, ef_construction 64); -- 策略 2HNSW 条件索引分区查询 CREATE INDEX idx_hnsw_tech ON documents USING hnsw (embedding vector_cosine_ops) WHERE category tech; -- 策略 3IVFFlat大数据量批量导入少更新 CREATE INDEX idx_ivf ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists 100); -- 策略 4混合检索全文 向量 -- 需要额外安装 pg_trgm 或 pg_search CREATE INDEX idx_content_gin ON documents USING gin (content gin_trgm_ops); CREATE INDEX idx_embedding ON documents USING hnsw (embedding vector_cosine_ops); -- 索引维护 -- 查看索引大小 SELECT pg_size_pretty(pg_relation_size(idx_hnsw)); -- 重建索引HNSW 支持并发重建 REINDEX INDEX CONCURRENTLY idx_hnsw; -- 删除并重建IVF 需要 DROP INDEX idx_ivf; CREATE INDEX idx_ivf ON documents USING ivfflat (embedding vector_cosine_ops); -- 统计信息更新 ANALYZE documents;3.3 查询操作详解-- 基础相似度搜索 -- 最近邻搜索KNN SELECT id, content, embedding [0.023, -0.456, ...]::vector AS distance FROM documents ORDER BY embedding [0.023, -0.456, ...]::vector LIMIT 10; -- 使用绑定参数应用开发 PREPARE knn_query (vector) AS SELECT id, content, embedding $1 AS distance FROM documents ORDER BY embedding $1 LIMIT 10; EXECUTE knn_query ([0.1, 0.2, ...]::vector); -- 混合查询向量 元数据 -- 方式 1先元数据过滤再向量排序选择性高时 SELECT id, content, embedding [...]::vector AS distance FROM documents WHERE category tech AND published 2024-01-01 AND metadata-author Alice ORDER BY embedding [...]::vector LIMIT 10; -- 方式 2向量索引扫描 过滤向量选择性强时 -- 优化器自动选择或强制使用索引 SET enable_seqscan off; SELECT id, content, embedding [...]::vector AS distance FROM documents WHERE embedding [...]::vector 0.3 -- 距离阈值 AND category tech ORDER BY embedding [...]::vector LIMIT 10; -- 范围查询 -- 距离阈值搜索返回所有相似度 0.8 的 SELECT id, 1 - (embedding [...]::vector) / 2 AS cosine_similarity FROM documents WHERE embedding [...]::vector 0.4 -- 余弦距离 0.4 即相似度 0.8 ORDER BY embedding [...]::vector; -- 批量查询 -- 使用 LATERAL 进行多查询批量处理 WITH queries AS ( SELECT 1 AS qid, [0.1, ...]::vector AS vec UNION ALL SELECT 2, [0.2, ...]::vector ) SELECT q.qid, d.id, d.content, d.embedding q.vec AS distance FROM queries q LEFT JOIN LATERAL ( SELECT * FROM documents ORDER BY embedding q.vec LIMIT 5 ) d ON true; -- 聚合与分组 -- 按类别统计平均相似度 SELECT category, AVG(embedding [...]::vector) AS avg_distance, COUNT(*) AS count FROM documents GROUP BY category; -- 找出每个类别最接近的文档 SELECT DISTINCT ON (category) category, id, content, embedding [...]::vector AS distance FROM documents ORDER BY category, embedding [...]::vector; -- 向量运算 -- 向量加法语义组合国王 - 男人 女人 ≈ 女王 SELECT d1.embedding - d2.embedding d3.embedding AS combined_vector FROM documents d1, documents d2, documents d3 WHERE d1.content king AND d2.content man AND d3.content woman; -- 使用结果进行搜索 WITH combined AS ( SELECT embedding - [...]::vector [...]::vector AS vec FROM documents WHERE id 1 ) SELECT d.id, d.content FROM combined c CROSS JOIN LATERAL ( SELECT * FROM documents ORDER BY embedding c.vec LIMIT 5 ) d;3.4 事务与并发控制-- ACID 事务示例 BEGIN; -- 插入文档和向量 INSERT INTO documents (content, embedding, metadata) VALUES ( PostgreSQL 向量数据库, [0.1, 0.2, ...]::vector, {author: Bob, tags: [database, ai]} ) RETURNING id; -- 同时更新相关统计表 UPDATE doc_stats SET count count 1 WHERE category database; -- 向量搜索在同一事务中立即可见 SELECT * FROM documents ORDER BY embedding [0.1, 0.2, ...]::vector LIMIT 5; COMMIT; -- 并发插入优化 -- 高并发插入时使用批量提交 -- 应用层代码逻辑 -- 1. 积累 1000 条记录 -- 2. 单条 INSERT 多值 -- 3. 提交事务 INSERT INTO documents (content, embedding) VALUES (doc1, [...]::vector), (doc2, [...]::vector), ...; -- 悲观锁与向量更新 -- 更新向量先删后插的替代方案HNSW 支持原地更新 BEGIN; SELECT * FROM documents WHERE id 100 FOR UPDATE; UPDATE documents SET embedding [new vector]::vector, updated_at NOW() WHERE id 100; COMMIT;4. 编程语言集成与工具连接4.1 Python 生态psycopg2 pgvectorpip install psycopg2-binary pgvectorimport psycopg2 from pgvector.psycopg2 import register_vector import numpy as np from openai import OpenAI # 连接与初始化 class PgvectorClient: def __init__(self, dsnpostgresql://dev:devpasslocalhost:5432/vectordb): self.conn psycopg2.connect(dsn) self.conn.autocommit False # 手动事务控制 register_vector(self.conn) # 注册 vector 类型适配器 def init_schema(self): 初始化数据库 schema with self.conn.cursor() as cur: # 启用扩展 cur.execute(CREATE EXTENSION IF NOT EXISTS vector;) # 创建表 cur.execute( CREATE TABLE IF NOT EXISTS documents ( id SERIAL PRIMARY KEY, title VARCHAR(500), content TEXT NOT NULL, embedding vector(1536), metadata JSONB DEFAULT {}, created_at TIMESTAMP DEFAULT NOW(), updated_at TIMESTAMP DEFAULT NOW() ); ) # 创建 HNSW 索引如果不存在 cur.execute( DO $$ BEGIN IF NOT EXISTS ( SELECT 1 FROM pg_indexes WHERE indexname documents_embedding_idx ) THEN CREATE INDEX documents_embedding_idx ON documents USING hnsw (embedding vector_cosine_ops) WITH (m 16, ef_construction 64); END IF; END $$; ) # 创建触发器自动更新 updated_at cur.execute( CREATE OR REPLACE FUNCTION update_updated_at_column() RETURNS TRIGGER AS $$ BEGIN NEW.updated_at NOW(); RETURN NEW; END; $$ language plpgsql; DROP TRIGGER IF EXISTS update_documents_updated_at ON documents; CREATE TRIGGER update_documents_updated_at BEFORE UPDATE ON documents FOR EACH ROW EXECUTE FUNCTION update_updated_at_column(); ) self.conn.commit() print(Schema 初始化完成) # 数据操作 def insert_document(self, title: str, content: str, embedding: list, metadata: dict None): 插入单条文档 with self.conn.cursor() as cur: cur.execute( INSERT INTO documents (title, content, embedding, metadata) VALUES (%s, %s, %s, %s) RETURNING id; , (title, content, embedding, metadata)) doc_id cur.fetchone()[0] self.conn.commit() return doc_id def batch_insert(self, documents: list, batch_size: 1000): 批量插入高效 from psycopg2.extras import execute_values total len(documents) for i in range(0, total, batch_size): batch documents[i:ibatch_size] with self.conn.cursor() as cur: execute_values( cur, INSERT INTO documents (title, content, embedding, metadata) VALUES %s , [(d[title], d[content], d[embedding], d.get(metadata, {})) for d in batch], template(%s, %s, %s::vector, %s::jsonb) ) self.conn.commit() print(f已插入 {min(ibatch_size, total)}/{total}) return total # 向量搜索 def search_similar(self, query_embedding: list, top_k: int 5, filters: dict None, min_similarity: float None): 相似度搜索 with self.conn.cursor() as cur: # 构建查询 sql SELECT id, title, content, 1 - (embedding %s::vector) / 2 AS similarity, metadata FROM documents WHERE 11 params [query_embedding] # 动态过滤条件 if filters: for key, value in filters.items(): if isinstance(value, list): sql f AND metadata-{key} ANY(%s) params.append(value) else: sql f AND metadata-{key} %s params.append(value) # 相似度阈值 if min_similarity: max_distance 2 * (1 - min_similarity) # 转换余弦相似度到距离 sql AND embedding %s::vector %s params.extend([query_embedding, max_distance]) sql ORDER BY embedding %s::vector LIMIT %s params.extend([query_embedding, top_k]) cur.execute(sql, params) results cur.fetchall() return [ { id: r[0], title: r[1], content: r[2][:200] ... if len(r[2]) 200 else r[2], similarity: round(r[3], 4), metadata: r[4] } for r in results ] # 混合全文搜索 def hybrid_search(self, query_text: str, query_embedding: list, top_k: int 10, text_weight: float 0.3): 结合全文和向量搜索需要 pg_trgm with self.conn.cursor() as cur: cur.execute( WITH vector_scores AS ( SELECT id, 1 - (embedding %s::vector) / 2 AS v_score, ROW_NUMBER() OVER (ORDER BY embedding %s::vector) AS v_rank FROM documents ORDER BY embedding %s::vector LIMIT %s * 3 ), text_scores AS ( SELECT id, similarity(content, %s) AS t_score, ROW_NUMBER() OVER (ORDER BY similarity(content, %s) DESC) AS t_rank FROM documents WHERE content %% %s -- 相似度操作符 ORDER BY similarity(content, %s) DESC LIMIT %s * 3 ) SELECT COALESCE(v.id, t.id) AS id, d.title, d.content, COALESCE(v.v_score, 0) * (1 - %s) COALESCE(t.t_score, 0) * %s AS combined_score FROM vector_scores v FULL OUTER JOIN text_scores t ON v.id t.id JOIN documents d ON d.id COALESCE(v.id, t.id) ORDER BY combined_score DESC LIMIT %s; , ( query_embedding, query_embedding, query_embedding, top_k, query_text, query_text, query_text, query_text, top_k, text_weight, text_weight, top_k )) return cur.fetchall() def close(self): self.conn.close() # RAG 应用完整示例 def rag_example(): # 初始化 client PgvectorClient() client.init_schema() # 嵌入模型 openai OpenAI() # 准备数据 docs [ PostgreSQL 是世界上最先进的开源关系型数据库, pgvector 为 Postgres 添加了向量相似度搜索功能, 向量数据库是 AI 应用的基础设施, HNSW 索引提供高效的近似最近邻搜索 ] # 生成嵌入并插入 for doc in docs: response openai.embeddings.create( modeltext-embedding-3-small, inputdoc ) embedding response.data[0].embedding client.insert_document( titledoc[:50], contentdoc, embeddingembedding, metadata{source: manual, category: tech} ) # 查询 query 什么是向量数据库 query_emb openai.embeddings.create( modeltext-embedding-3-small, inputquery ).data[0].embedding results client.search_similar( query_embeddingquery_emb, top_k3, min_similarity0.7 ) print(搜索结果) for r in results: print(f [{r[similarity]:.3f}] {r[content]}) client.close() if __name__ __main__: rag_example()4.2 Node.js 集成pg pgvectornpm install pg pgvectorconst { Pool } require(pg); const pgvector require(pgvector/pg); class PgvectorService { constructor() { this.pool new Pool({ host: localhost, port: 5432, database: vectordb, user: dev, password: devpass, max: 20, // 连接池大小 idleTimeoutMillis: 30000 }); // 注册 vector 类型 this.pool.on(connect, async (client) { await pgvector.registerType(client); }); } async init() { const client await this.pool.connect(); try { // 启用扩展 await client.query(CREATE EXTENSION IF NOT EXISTS vector); // 创建表 await client.query( CREATE TABLE IF NOT EXISTS items ( id SERIAL PRIMARY KEY, name TEXT NOT NULL, embedding vector(1536), attributes JSONB DEFAULT {}, created_at TIMESTAMP DEFAULT NOW() ) ); // 检查并创建索引 const indexExists await client.query( SELECT 1 FROM pg_indexes WHERE indexname items_embedding_idx ); if (indexExists.rows.length 0) { await client.query( CREATE INDEX items_embedding_idx ON items USING hnsw (embedding vector_cosine_ops) WITH (m 16, ef_construction 64) ); console.log(HNSW 索引创建成功); } } finally { client.release();
