pgvector向量检索与语义搜索实践

概述pgvector 为 PostgreSQL 提供向量类型与相似度检索能力。本文给出索引与度量选择、数据归一化与批处理、查询与召回验证，以及监控与维护策略。数据与度量（已验证）维度：与嵌入模型一致（如 768/1536）；度量：`cosine`/`inner product`/`euclidean`；归一化：对 `cosine` 度量进行向量归一化提升一致性。索引与参数HNSW：高精度低延迟，参数 `m` 与 `efConstruction/efSearch`；IVF：适合批检索，需训练与分簇；选择：按数据规模与延迟要求选型。示例（片段）CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE docs (id bigserial PRIMARY KEY, content text, embedding vector(1536));

-- 归一化示例

UPDATE docs SET embedding = embedding / sqrt(embedding <#> embedding);

-- HNSW 索引

CREATE INDEX idx_docs_embedding_hnsw ON docs USING hnsw (embedding vector_cosine_ops);

-- 查询

SELECT id, content FROM docs ORDER BY embedding <=> '[0.1, 0.2, ...]' LIMIT 10;

批处理与更新批量插入与索引构建；更新策略：定期重建或增量维护；验证与监控指标：召回率、查询延迟与索引构建耗时；质量：A/B 对比已有检索与向量检索的效果；常见误区度量与归一化不匹配导致结果异常；索引参数不当造成延迟或召回差；结语以合适的度量与归一化、索引与参数选型、批处理与维护策略，并以召回与延迟验证，pgvector 能在数据库场景实现稳定的语义搜索能力。