pgvector 是 PostgreSQL 的开源向量检索扩展,让开发者在熟悉的数据库中直接存储和查询 embedding 向量,是当前 AI 应用(尤其是 RAG 和智能体记忆系统)中最主流的自建向量方案之一。它的核心优势在于无需引入独立的向量数据库即可获得相似度搜索能力,同时保留事务、权限和 JOIN 等关系型数据库能力。
pgvector 近期进展
当前焦点与观察点
pgvector 目前的讨论主要围绕三件事。一是检索质量:单靠向量相似度已不够,混合检索(向量 + 全文/稀疏检索)和 rerank 成为标配,上面的实战指南正是这一趋势的体现。二是规模与性能:随着数据量增大,HNSW 索引、量化和分区等优化手段被广泛使用,但在数十亿级向量场景下,专门的向量数据库和托管服务(如 Lakebase Search)仍有优势。三是架构选择:在 Agent 的存算分离设计中,向量库既承担 RAG 检索,也承担长期记忆存储,pgvector 凭借与业务数据同库的便利成为默认起点,但何时迁移到专用方案仍是争议点。总体看,pgvector 仍是中小规模 AI 检索最务实的起步选择。