pgvector：在 Postgres 里跑向量搜索，AI 时代的数据库扩展

一句话概括

pgvector 是一款开源的 PostgreSQL 扩展，让你能像存储普通数据一样存储向量，在数据库内部完成最近邻搜索，无需引入独立的向量数据库。

背景故事：为什么需要向量数据库？

在 AI 应用中，文本、图片、音频等非结构化数据需要被转换为向量（高维数值数组）才能被计算机处理。一个 1536 维的向量，本质上代表了一个语义空间中的坐标点——语义相近的内容，向量距离也越近。

传统的向量数据库（如 Milvus、Pinecone）功能强大，但引入了新的技术栈和学习成本。而 pgvector 的思路很简单：与其在两个系统之间同步数据，为什么不直接在 Postgres 里做向量运算？ 毕竟 Postgres 本身支持 JSON、数组、全文搜索，已经是个"瑞士军刀"了。

pgvector 的作者 Andy Pavlou 和 Tomasz Ludyga 从 2021 年开始维护这个项目，至今已获得超过 21,000 颗 GitHub Stars，被 Supabase、Supermetrics、ADEKA 等知名公司实际部署于生产环境。

它能做什么？——核心功能解析

1. 多种向量类型支持

pgvector 支持多种向量存储格式，开发者可以根据精度和性能需求灵活选择：

单精度向量 (vector(n))：标准的 float32 存储，适合大多数场景
半精度向量 (halfvec(n))：float16 格式，内存减半，适合超大规模向量集
二进制向量 (bit(n))：仅存储 0/1，适合神经网络二值化场景
稀疏向量 (sparsevec)：只存储非零维度，适合 NLP 中的 TF-IDF 向量

这种多格式支持让 pgvector 可以在从原型验证到生产规模的各个阶段发挥作用——不需要一开始就搭一套复杂的基础设施。

2. 多种距离度量

向量相似度的计算方式直接影响搜索结果，pgvector 支持 6 种距离度量：

度量方式	说明	适用场景
L2 距离	欧氏距离，最直观的空间距离	图像/音频相似度
内积 (Inner Product)	向量点积	文本相似度、推荐系统
余弦距离	方向相似度，与长度无关	文本人群聚类
L1 距离	曼哈顿距离	地理数据、路径规划
Hamming 距离	二进制位差异统计	DNA 序列比对
Jaccard 距离	集合交集比例	推荐系统、协同过滤

3. 精确搜索 vs 近似搜索

pgvector 在 CREATE INDEX 时提供两种索引策略：

IVFFlat（倒排文件索引）：将向量空间预先划分成多个聚类，查询时只搜索最近的几个聚类，牺牲少量精度换取速度提升。适合数据量中等（百万级）的场景。

HNSW（分层可导航小世界图）：当前最流行的 ANN 算法之一，构建多层图结构实现高速近似搜索。在 100 万向量数据集中，HNSW 可以在毫秒级返回 Top-1 精准度超过 95% 的结果。内存占用较高，但性能最优。

重要提示：生产环境中必须选择近似搜索（HNSW/IVFFlat），精确搜索（seq scan）仅适合小数据集测试。

技术架构：纯 C 实现的 Postgres 扩展

pgvector 的核心代码完全使用 C 语言编写，紧贴 Postgres 扩展机制（PGXS），对性能有极致追求：

src/vector.c：向量基本操作（创建、存取、距离计算）
src/hnsw.c / hnswbuild.c / hnswinsert.c：HNSW 索引完整实现
src/ivfflat.c / ivfbuild.c：IVFFlat 索引实现
src/halfvec.c：半精度向量支持
src/sparsevec.c：稀疏向量支持
src/bitvec.c：二进制向量支持
sql/vector.sql：SQL 接口定义（CREATE EXTENSION、CREATE INDEX 等）

所有索引操作都是 Postgres 的 AM（Access Method）接口实现，与 Postgres 的 MVCC、并发控制、WAL 日志深度集成。这意味着：崩溃恢复、事务隔离、备份复制——所有 Postgres 原生能力都天然继承，无需额外配置。

部署体验：从零到跑起来

快速体验（Docker）

docker run --name pgvector -e POSTGRES_PASSWORD=mysecretpassword -p 5432:5432 -d pgvector/pgvector:0.8.2

一行命令，Postgres + pgvector 全部搞定。对于想快速体验的开发者，这是最简单的方式。

生产部署（源码编译）

cd /tmp && git clone --branch v0.8.2 https://github.com/pgvector/pgvector.git
cd pgvector && make && sudo make install

在已有 Postgres 13+ 的机器上，编译安装只需几分钟。需要确保安装了 build-essential 和 postgresql-server-dev-*。

安装后只需一条 SQL 即可启用：

CREATE EXTENSION IF NOT EXISTS vector;

Python 快速上手

import psycopg2
conn = psycopg2.connect("dbname=postgres user=postgres password=secret host=localhost")
cur = conn.cursor()
cur.execute("CREATE EXTENSION IF NOT EXISTS vector")
cur.execute("CREATE TABLE items (id serial, embedding vector(1536))")
cur.execute("INSERT INTO items (embedding) VALUES ('[0.1, 0.2, ...]')")
cur.execute("""
    SELECT * FROM items
    ORDER BY embedding <=> '[0.3, 0.4, ...]'
    LIMIT 5
""")

可以看到，向量查询的语法与普通 SQL 完全一致，学习成本极低。

局限与挑战

pgvector 并非万能，以下场景需要谨慎评估：

超大规模数据（亿级）：pgvector 的 HNSW 在内存中构建全部索引，超过亿条向量时内存压力显著，此时专用向量数据库（Qdrant、Weaviate）更有优势。
实时更新频繁：HNSW 索引不支持增量更新，每次插入新向量都需要重新调整索引结构。高频写入场景下性能会逐渐下降。
不支持分布式：pgvector 是单节点扩展，不支持水平分片。如果需要分布式向量搜索，需要在上层做数据分片路由。
过滤与向量搜索的组合：带有复杂 WHERE 条件的向量查询，目前 pgvector 的过滤效率不如专用系统。

行业影响与趋势

pgvector 的出现，本质上代表了向量数据库领域的"Postgres 化"趋势——即用成熟的 SQL 生态来承载 AI 时代的新型数据形态。

2023-2024 年，随着 LLM 和 RAG（检索增强生成）热潮，向量搜索需求爆发式增长。pgvector 的 GitHub Stars 从 2023 年初的 3,000 颗增长到 2025 年的 21,000+ 颗，背后是整个行业对"一个数据库搞定一切"理念的认同。

Supabase、Neon、TimescaleDB 等云数据库厂商纷纷将 pgvector 作为标配功能集成，进一步扩大了其影响力。

技术参数一览

指标	数值
当前版本	0.8.2
支持 Postgres 版本	13+
支持向量维度	最高 16,000 维
索引算法	IVFFlat、HNSW
距离度量	L2、内积、余弦、L1、Hamming、Jaccard
开发语言	C
Stars	21,469
License	PostgreSQL License

pgvector：在 Postgres 里跑向量搜索，AI 时代的数据库扩展

一句话概括

pgvector 是一款开源的 PostgreSQL 扩展，让你能像存储普通数据一样存储向量，在数据库内部完成最近邻搜索，无需引入独立的向量数据库。

背景故事：为什么需要向量数据库？

它能做什么？——核心功能解析

1. 多种向量类型支持

pgvector 支持多种向量存储格式，开发者可以根据精度和性能需求灵活选择：

单精度向量 (vector(n))：标准的 float32 存储，适合大多数场景
半精度向量 (halfvec(n))：float16 格式，内存减半，适合超大规模向量集
二进制向量 (bit(n))：仅存储 0/1，适合神经网络二值化场景
稀疏向量 (sparsevec)：只存储非零维度，适合 NLP 中的 TF-IDF 向量

这种多格式支持让 pgvector 可以在从原型验证到生产规模的各个阶段发挥作用——不需要一开始就搭一套复杂的基础设施。

2. 多种距离度量

向量相似度的计算方式直接影响搜索结果，pgvector 支持 6 种距离度量：

度量方式	说明	适用场景
L2 距离	欧氏距离，最直观的空间距离	图像/音频相似度
内积 (Inner Product)	向量点积	文本相似度、推荐系统
余弦距离	方向相似度，与长度无关	文本人群聚类
L1 距离	曼哈顿距离	地理数据、路径规划
Hamming 距离	二进制位差异统计	DNA 序列比对
Jaccard 距离	集合交集比例	推荐系统、协同过滤

3. 精确搜索 vs 近似搜索

pgvector 在 CREATE INDEX 时提供两种索引策略：

重要提示：生产环境中必须选择近似搜索（HNSW/IVFFlat），精确搜索（seq scan）仅适合小数据集测试。

技术架构：纯 C 实现的 Postgres 扩展

pgvector 的核心代码完全使用 C 语言编写，紧贴 Postgres 扩展机制（PGXS），对性能有极致追求：

src/vector.c：向量基本操作（创建、存取、距离计算）
src/hnsw.c / hnswbuild.c / hnswinsert.c：HNSW 索引完整实现
src/ivfflat.c / ivfbuild.c：IVFFlat 索引实现
src/halfvec.c：半精度向量支持
src/sparsevec.c：稀疏向量支持
src/bitvec.c：二进制向量支持
sql/vector.sql：SQL 接口定义（CREATE EXTENSION、CREATE INDEX 等）

部署体验：从零到跑起来

快速体验（Docker）

docker run --name pgvector -e POSTGRES_PASSWORD=mysecretpassword -p 5432:5432 -d pgvector/pgvector:0.8.2

一行命令，Postgres + pgvector 全部搞定。对于想快速体验的开发者，这是最简单的方式。

生产部署（源码编译）

cd /tmp && git clone --branch v0.8.2 https://github.com/pgvector/pgvector.git
cd pgvector && make && sudo make install

在已有 Postgres 13+ 的机器上，编译安装只需几分钟。需要确保安装了 build-essential 和 postgresql-server-dev-*。

安装后只需一条 SQL 即可启用：

CREATE EXTENSION IF NOT EXISTS vector;

Python 快速上手

import psycopg2
conn = psycopg2.connect("dbname=postgres user=postgres password=secret host=localhost")
cur = conn.cursor()
cur.execute("CREATE EXTENSION IF NOT EXISTS vector")
cur.execute("CREATE TABLE items (id serial, embedding vector(1536))")
cur.execute("INSERT INTO items (embedding) VALUES ('[0.1, 0.2, ...]')")
cur.execute("""
    SELECT * FROM items
    ORDER BY embedding <=> '[0.3, 0.4, ...]'
    LIMIT 5
""")

可以看到，向量查询的语法与普通 SQL 完全一致，学习成本极低。

局限与挑战

pgvector 并非万能，以下场景需要谨慎评估：

超大规模数据（亿级）：pgvector 的 HNSW 在内存中构建全部索引，超过亿条向量时内存压力显著，此时专用向量数据库（Qdrant、Weaviate）更有优势。
实时更新频繁：HNSW 索引不支持增量更新，每次插入新向量都需要重新调整索引结构。高频写入场景下性能会逐渐下降。
不支持分布式：pgvector 是单节点扩展，不支持水平分片。如果需要分布式向量搜索，需要在上层做数据分片路由。
过滤与向量搜索的组合：带有复杂 WHERE 条件的向量查询，目前 pgvector 的过滤效率不如专用系统。

行业影响与趋势

pgvector 的出现，本质上代表了向量数据库领域的"Postgres 化"趋势——即用成熟的 SQL 生态来承载 AI 时代的新型数据形态。

Supabase、Neon、TimescaleDB 等云数据库厂商纷纷将 pgvector 作为标配功能集成，进一步扩大了其影响力。

技术参数一览

指标	数值
当前版本	0.8.2
支持 Postgres 版本	13+
支持向量维度	最高 16,000 维
索引算法	IVFFlat、HNSW
距离度量	L2、内积、余弦、L1、Hamming、Jaccard
开发语言	C
Stars	21,469
License	PostgreSQL License