PostgreSQL向量检索之pgvector实战入门指南

作者：袖梨 2026-06-08

一. 什么是 pgvector？

pgvector 是 PostgreSQL 的开源扩展，用于在数据库中存储和处理向量数据，特别是高维嵌入向量（embedding）。

功能与特点

向量存储：可将向量数据直接存入表中。
距离计算：支持 L2（欧氏距离）、Inner Product（内积）、Cosine（余弦相似度）等。
最近邻搜索：支持精确搜索和近似搜索（IVFFlat / HNSW）。
兼容 SQL：可以直接与表中的其他列一起做查询、过滤和排序。
可扩展性：适合中小规模向量存储，也能应对大数据量场景。

二. 为什么选择 PostgreSQL + pgvector？

数据整合：向量与原始数据存放在同一数据库，无需单独部署向量数据库。
事务和安全：继承 PostgreSQL 的事务、权限控制、备份与复制机制。
易于扩展：可以直接使用 SQL 做 JOIN、过滤条件，实现混合检索。
降低维护成本：只需要维护一个数据库系统，减少运维复杂度。
可视化和监控：可以使用 PostgreSQL 现有工具进行监控和分析。

三. 安装与启用

确保 PostgreSQL 支持扩展（通常 PostgreSQL 13+）
安装 pgvector

启用扩展：

CREATE EXTENSION IF NOT EXISTS vector;

验证安装：

SELECT * FROM pg_extension WHERE extname='vector';

成功后即可在表中创建向量列。

四. 基本数据结构

向量列类型：vector 或 vector(n)，其中 n 是向量维度。
示例表结构：

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

小贴士：向量列的维度必须固定，查询和索引时保持一致。

五. 基本操作

5.1 插入向量

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

5.2 查询向量最近邻

-- 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

后面会出一篇关于这些运算符计算使用的文章

5.4 其他操作

# 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;

六. Python 示例

使用 pgvector-python 或 psycopg2 处理向量：

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()