pgvector

product · 首次出现 2026-05-28 · 最近出现 2026-11-19 · 累计提及 14

综述

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

  • pgvector 实战指南:构建语义/混合/稀疏/量化向量搜索系统 —— 2026 年 5 月 28 日,marktechpost 发布了一篇编码指南,展示了如何基于 pgvector 同时实现语义搜索、混合搜索、稀疏检索和量化向量搜索四种模式。这说明 pgvector 的用法已从简单的近邻查询演进到更精细的检索工程,量化等手段也被用来在性能与精度间做权衡。
  • Lakebase Search 正式发布,为 AI 智能体提供大规模搜索 —— Databricks 正式推出 Lakebase Search,主打服务 AI 智能体的大规模检索场景。这类平台级产品的出现,反映了大规模向量检索需求正从开发者自建方案向托管服务转移,而 pgvector 类方案则继续占据中小规模和低成本场景。
  • 腾讯微信团队开源了「企业级 LLM 知识平台」:WeKnora —— 腾讯微信团队开源了企业级知识平台 WeKnora,可将原始文档转化为可问答的 RAG 知识库和可自主推理的 ReAct Agent。此类开源 RAG 框架通常支持 PostgreSQL/pgvector 作为底层存储,进一步扩大了它的使用面。
  • OneAdvanced 在 AWS 上部署超 50 个 AI 智能体 —— OneAdvanced 在英国主权 AWS 环境上部署了超过 50 个 AI 智能体,体现了企业级智能体落地对数据主权和可控基础设施的重视。在自己管控的 PostgreSQL 上用 pgvector 提供向量检索,正是这类场景的常见选择。
  • 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。

    相关报道

    10 条在档
    pgvector · AI 话题观测|AI热报