我很笨--学习PGVector的 1个小时我懂得了AI 基本的原理--要不你也试试！！

❝

开头还是介绍一下群，如果感兴趣PolarDB ,MongoDB ,MySQL ,PostgreSQL ,Redis, OceanBase, Sql Server等有问题，有需求都可以加群群内有各大数据库行业大咖，可以解决你的问题。加群请联系 liuaustin3 ，（共3400人左右 1 + 2 + 3 + 4 +5 + 6 + 7 + 8 +9）(1 2 3 4 5 6 7 8群已经爆满  9群 300+，开10群PolarDB专业学习群110+)

最近终于要开始搞pgvector，主要是公司的技术部要使用，学习这个部分的动力很多是自驱的，但没有方向是没有自驱的。今天我们正式开始学习pgvector

下面是基于PG16.10 pgvector最新版的0.81 2025年9月5日。PGVector是一个搞笑的向量数据库插件，支持多种向量计算和数据类型，提供高效的数据存储，和查询，PGvector的索引算法是IVFFlat,是一种基于倒排索引近似最临近的算法，可以用于高效查询向量之间相似度。他将向量空间分成若干划分区域，每个区域都包含一些向量，并创建倒排索引，用于给定向量相似的向量。

这里我们要提醒，IVFFlat是IVFADC算法的简化版本，适合召回精度要求高，但对查询耗时不严格的场景，

2026-01-27 01:43:33.063 EST [43601] LOG:  database system is shut down
done
server stopped
waiting for server to start....2026-01-27 01:43:33.110 EST [44013] LOG:  redirecting log output to logging collector process
2026-01-27 01:43:33.110 EST [44013] HINT:  Future log output will appear in directory "log".
done
server started
[postgres@postgresql_per pgdata]$ psql 
psql (16.10)
Type "help"forhelp.

postgres=# create extension vector;
CREATE EXTENSION

安装很方便，直接编译 vector 到PG数据库中，目前最新的版本 pgvector支持三种向量索引方式

1  IVF Flat 基于倒排文件索引

2  HNSW 分层导航分词

3  streaming DiskAnn pgvector原生内置

三种模式的区别为 1 IVF Flat ： 内存占用较低，搜索速度比全表扫描快。但更新维护成本高，每次再有新数据进入都要重构索引。 2 HNSW ： 实施更新，搜索和查询精度更好，同时支持压缩，但内存消耗的多，向量索引必须要存储在内存中，随着数据量的增加，硬件成本会提高，计算精度会下降。

第三种模式看似和最近SQL SERVER2025里面的新技术的名字类似，也是针对向量的降本增效的方法，具体需要扩展这里就不进行展示了。

基于上面我们提到的问题，PG上的pgvector我们只使用HNSW，

CREATE TABLE vecs (id int PRIMARY KEY, embedding vector(1536));
CREATE INDEX ON vecs USING hnsw(embedding vector_l2_ops) WITH (m=16, ef_construction=64);

上面是一个案例，中m16表达了，每个索引元素之间存在多少双向链接，取值可以在2-100之间，随着值的提高，会提供召回的数据量，但会增加索引生成的时间，影响查询的性能。

我们下面来一次简单的示例：HNSW 和 IVF 之间的区别

比如我们模拟一个找寻近似中文意思的语句，这里就要迁入 embedding模型了，比如

"我喜欢吃火锅" → [0.12, -0.08, 0.33, ...]  (768维向量)
"麻辣烫很好吃" → [0.11, -0.07, 0.31, ...]

上面就是一个模型对于语句和文字的向量表达，维度越大，表达的信息的准确度越高。（那么向量机器学习中容易说胡话的原因就是模型不行了吧）

CREATE TABLE docs (
  id SERIAL PRIMARY KEY,
  content TEXT,
  embedding VECTOR(3)  
);
INSERT INTO docs (content, embedding)
VALUES ('我喜欢吃火锅', '[0.12, -0.08, 0.33]');
CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);

SELECT id, content FROM docs ORDER BY embedding <-> '[0.11, -0.07, 0.31]' LIMIT 5;

You are now connected to database "test" as user "postgres".
test=# create extension vector;
CREATE EXTENSION
test=# 
test=# 
test=# CREATE TABLE docs (
test(#   id SERIAL PRIMARY KEY,
test(#   content TEXT,
test(#   embedding VECTOR(3)  
test(# );
ontent FROM docs ORDER BY embedding <-> '[0.11, -0.07, 0.31]' LIMIT 5;CREATE TABLE
test=# INSERT INTO docs (content, embedding)
test-# VALUES ('我喜欢吃火锅', '[0.12, -0.08, 0.33]');
INSERT 0 1
test=# CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);
CREATE INDEX
test=# 
test=# SELECT id, content FROM docs ORDER BY embedding <-> '[0.11, -0.07, 0.31]' LIMIT 5;
 id |   content    
----+--------------
  1 | 我喜欢吃火锅
(1 row)

test=# 

所以今天我终于明白了PG vector的用法和基本的大模型的原理。

给定信息的矢量，通过大模型的算法，将语言文字向量化，然后通过反向的查询矢量，得到对应的文字。

MongoDB “升级项目” 大型连续剧(3)-- 自动校对代码与注意事项

MongoDB “升级项目” 大型连续剧(2)-- 到底谁是"der"

MongoDB “升级项目”  大型连续剧(1)-- 可“生”可不升

MongoDB  大俗大雅，上来问分片真三俗 -- 4 分什么分

MongoDB 大俗大雅，高端知识讲“庸俗” --3 奇葩数据更新方法

MongoDB 学习建模与设计思路--统计数据更新案例

MongoDB  大俗大雅，高端的知识讲“通俗” -- 2 嵌套和引用

MongoDB  大俗大雅，高端的知识讲“低俗” -- 1 什么叫多模

MongoDB 合作考试报销活动 贴附属，MongoDB基础知识速通

MongoDB 年底活动，免费考试名额 7个公众号获得

MongoDB 使用网上妙招，直接DOWN机---清理表碎片导致的灾祸 (送书活动结束)

MongoDB 2023年度纽约 MongoDB 年度大会话题 -- MongoDB 数据模式与建模