在大模型时代，应用须提供语义搜索或知识检索功能，如果后端数据库本身使用的就是 PG，则可以直接使用 pgvector 来实现，无需额外的数据库组件。
什么是 pgvector
pgvector 是 PostgreSQL 的一个开源扩展，它让 PG 能够原生存储、索引和检索高维向量（embedding）。 它把"向量相似度搜索"这一原本需要专门向量数据库的能力，直接下沉到了你熟悉的关系型数据库里。常用于语义搜索、RAG 检索、推荐系统等 AI 场景，让应用用一条 SQL 就能做"找最相似的 N 条数据"。
如何使用 pgvector
下面用 Docker 起一个 PG，再启用扩展，这是最省心的落地方式：
直接用社区维护好的预装镜像 ankane/pgvector：
1
2
3
4
5
6
7
| $ docker run -d \
--name pgvector \
-e POSTGRES_PASSWORD=yourpassword \
-e POSTGRES_USER=postgres \
-e POSTGRES_DB=testdb \
-p 5432:5432 \
ankane/pgvector:latest
|
只需一条 SQL 启用扩展（每个数据库执行一次），在宿主机上执行：
1
2
| $ docker exec -t pgvector psql -U postgres -d testdb -c "CREATE EXTENSION vector;"
CREATE EXTENSION
|
验证是否启用成功：
1
2
3
4
5
| $ docker exec -t pgvector psql -U postgres -d testdb -c "SELECT extname, extversion FROM pg_extension WHERE extname = 'vector';"
extname | extversion
---------+------------
vector | 0.5.1
(1 row)
|
如果是使用原生 PostgreSQL 镜像或主机安装 PG 服务，则需要先编译安装扩展源码，或在宿主机用 apt/yum 安装 postgresql-<版本>-pgvector 包，再执行上面的 CREATE EXTENSION。
pgvector 的优势
3. pgvector 的优势
pgvector 优势在于它最省事、最契合已有架构，如果现有应用中已使用到了 PG，则只需要安装、启用 pgvector 扩展即可，没有技术负担。
| 工程维度 | pgvector 的优势 | 说明 |
|---|
| 基础设施复用 | 零新增组件 | 备份、监控、权限、连接池全部沿用现有 PG 体系 |
| 混合检索 | 极强 | 向量 + 结构化字段可同一条 SQL 做 JOIN / WHERE 过滤，无需应用层二次查询再合并 |
| 事务一致性 | ACID | 向量写入与业务数据落同一事务，不会出现"业务成功但向量丢了" |
| 渐进式采用 | 低门槛 | SQL 开发者即可上手，无需学新查询语言 |
| 成本 | 少一套系统 | 少一份独立系统的人力与运维成本 |
| 生态成熟 | 即插即用 | ORM、BI、ETL、CDC 工具全部围绕 PG 生态 |
| 索引多样 | HNSW + IVFFlat + 量化 | HNSW 高召回、IVFFlat 省内存、halfvec/bit 量化省空间 |
| 多租户 | 天然支持 | 配合 PG Schema 或行级安全（RLS）做租户隔离，向量自然跟随 |
客观短板：当向量规模进入数千万乃至亿级，且要求极高并发 QPS / 极低延迟时，pgvector 的检索延迟会明显上升，且 PG 本身水平扩展（分片）较麻烦。这种场景才需要 Milvus / Qdrant 等专用库。
插入与检索
建表
1
| $ docker exec -t pgvector psql -U postgres -d testdb -c "CREATE TABLE IF NOT EXISTS documents (id SERIAL PRIMARY KEY, content TEXT, embedding VECTOR(4096));"
|
插入数据
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
| import psycopg2
from langchain_ollama.embeddings import OllamaEmbeddings
PG_URL = "postgresql://postgres:yourpassword@localhost:5432/testdb"
conn = psycopg2.connect(PG_URL)
embeddings = OllamaEmbeddings(model="qwen3-embedding:8b")
knowledges = (
'甘蓝型油菜是国内主栽油菜类型，育种重点兼顾丰产性、抗逆性与菜籽品质，低芥酸低硫苷是优质油菜核心品质指标。',
'油菜分子标记辅助育种可快速筛选目标基因材料，缩短育种周期，减少大规模田间表型鉴定的人力成本。',
'油菜 DUS 测试包含特异性、一致性、稳定性三项考核，是油菜新品种申请品种权必须完成的鉴定流程。',
'油菜菌核病属于高发真菌病害，育种上主要通过种质资源挖掘抗性亲本，聚合多个抗性位点提升品种耐病水平。',
'油菜杂种优势利用主要依靠细胞质雄性不育、细胞核雄性不育系统，筛选优良恢复系与保持系是杂交育种关键工作。',
'油菜种质资源库保存野生、地方品种与突变材料，通过表型和基因型鉴定，发掘耐冻、耐渍、抗病等优良等位基因。',
'油菜早熟品种育种需要协调开花期、终花期与成熟期，解决早熟条件下产量容易下降、千粒重降低的矛盾。',
'油菜抗倒伏性状受茎秆强度、根系发育、株高分枝等多基因控制，表型鉴定需要结合田间大风环境开展多年多点试验。',
'油菜品质育种除芥酸、硫苷之外，同时关注含油量提升，高油育种需要平衡油脂合成通路与植株整体生长发育。',
)
with conn.cursor() as cursor:
for idx, knowledge in enumerate(knowledges, start=1):
embedding = embeddings.embed_query(knowledge)
cursor.execute("INSERT INTO documents (content, embedding) VALUES (%s, %s::vector)", (knowledge, str(embedding)))
conn.commit()
print(f"已插入第 {idx} 条知识")
|
执行输出：
1
2
3
4
5
6
7
8
9
| 已插入第 1 条知识
已插入第 2 条知识
已插入第 3 条知识
已插入第 4 条知识
已插入第 5 条知识
已插入第 6 条知识
已插入第 7 条知识
已插入第 8 条知识
已插入第 9 条知识
|
知识检索
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
| import psycopg2
from langchain_ollama.embeddings import OllamaEmbeddings
PG_URL = "postgresql://postgres:yourpassword@localhost:5432/testdb"
conn = psycopg2.connect(PG_URL)
embeddings = OllamaEmbeddings(model="qwen3-embedding:8b")
queries = (
'甘蓝型油菜优质品种主要关注哪些品质指标？',
'油菜 DUS 测试具体考核哪些内容，有什么用途？',
'油菜菌核病在育种工作中一般如何开展抗性改良？',
)
with conn.cursor() as cursor:
for idx, query in enumerate(queries, start=1):
embedding = embeddings.embed_query(query)
cursor.execute("""SELECT
id, content, embedding <=> %s::vector AS distance
FROM documents
ORDER BY embedding <=> %s::vector
LIMIT 3;""", (str(embedding), str(embedding)))
results = cursor.fetchall()
print(f"查询 {idx}：{query}，知识排序结果：")
for result in results:
print(f" - 序号 {result[0]}，距离 {result[2]:.4f}，内容 {result[1]}")
|
执行输出：
1
2
3
4
5
6
7
8
9
10
11
12
| 查询 1：甘蓝型油菜优质品种主要关注哪些品质指标？，知识排序结果：
- 序号 1，距离 0.1529，内容 甘蓝型油菜是国内主栽油菜类型，育种重点兼顾丰产性、抗逆性与菜籽品质，低芥酸低硫苷是优质油菜核心品质指标。
- 序号 9，距离 0.2892，内容 油菜品质育种除芥酸、硫苷之外，同时关注含油量提升，高油育种需要平衡油脂合成通路与植株整体生长发育。
- 序号 7，距离 0.3519，内容 油菜早熟品种育种需要协调开花期、终花期与成熟期，解决早熟条件下产量容易下降、千粒重降低的矛盾。
查询 2：油菜 DUS 测试具体考核哪些内容，有什么用途？，知识排序结果：
- 序号 3，距离 0.0730，内容 油菜 DUS 测试包含特异性、一致性、稳定性三项考核，是油菜新品种申请品种权必须完成的鉴定流程。
- 序号 5，距离 0.4137，内容 油菜杂种优势利用主要依靠细胞质雄性不育、细胞核雄性不育系统，筛选优良恢复系与保持系是杂交育种关键工作。
- 序号 8，距离 0.4327，内容 油菜抗倒伏性状受茎秆强度、根系发育、株高分枝等多基因控制，表型鉴定需要结合田间大风环境开展多年多点试验。
查询 3：油菜菌核病在育种工作中一般如何开展抗性改良？，知识排序结果：
- 序号 4，距离 0.0986，内容 油菜菌核病属于高发真菌病害，育种上主要通过种质资源挖掘抗性亲本，聚合多个抗性位点提升品种耐病水平。
- 序号 5，距离 0.3349，内容 油菜杂种优势利用主要依靠细胞质雄性不育、细胞核雄性不育系统，筛选优良恢复系与保持系是杂交育种关键工作。
- 序号 8，距离 0.3563，内容 油菜抗倒伏性状受茎秆强度、根系发育、株高分枝等多基因控制，表型鉴定需要结合田间大风环境开展多年多点试验。
|
距离运算符
<->：L2 欧氏距离，ORDER BY col <-> vec，值越小越相似<#>：负内积，ORDER BY col <#> vec，值越小越相似<=>：余弦距离，ORDER BY col <=> vec，值越小越相似，范围[0,2]
对比向量数据库
把 pgvector 和主流专用向量库放在一起看，结论很清楚：没有"最强"，只有"最合适"。
| 维度 | pgvector | Milvus | Qdrant | Chroma | Weaviate |
|---|
| 形态 | PG 扩展 | 分布式向量库 | Rust 向量服务 | 嵌入式/轻量 | 向量 + 图 |
| 适合规模 | 百万 ~ 数千万 | 十亿级 | 百万 ~ 数亿 | < 百万 | 百万 ~ 数亿 |
| 混合查询 | 极强（SQL） | 中 | 强（payload 过滤） | 弱 | 极强 |
| 事务一致性 | ACID | 弱 | 弱 | 弱 | 弱 |
| 运维复杂度 | 低（复用 PG） | 高（K8s） | 中 | 极低 | 中 |
| 学习曲线 | 低（SQL） | 陡 | 中 | 极低 | 中 |
| 水平扩展 | 难 | 原生 | 分片 | 无 | 支持 |
关键结论：
- pgvector 赢在"不引入新系统 + 强一致性 + 混合检索"，适合已有 PG 的中小规模场景。
- Milvus 赢在"十亿级规模 + GPU 加速"，但运维重。
- Qdrant 赢在"中大规模 + 云原生 + 实时增量更新 + 过滤检索"。
- Chroma 赢在"本地开发一把梭"，但基本不上生产。
- Weaviate 赢在"结构化 + 向量混合搜索 / 多模态"。
一个常被引用的基准（50M 向量、768 维）：配合
pgvectorscale
扩展后，pgvector 在 QPS 与延迟上已能和专用库正面对抗。但规模一旦上亿，专用库仍是首选。
