pgvector

pgvector 是 PostgreSQL 的一个开源扩展，可为任何现有的 Postgres 数据库添加向量相似度搜索功能。它由 Andrew Kane 于 2021 年创建，并在 PostgreSQL License（一种类似于 MIT 的宽松开源许可证）下发布，允许您将高维嵌入（embeddings）作为原生列类型进行存储，并使用标准 SQL 运算符运行近似最近邻查询。该扩展可在 github.com/pgvector/pgvector 获取，截至 2026 年 4 月已获得超过 13,000 个 GitHub 星标，并受到 Amazon RDS、Amazon Aurora、Google Cloud SQL、Azure Database for PostgreSQL、Supabase 和 Neon 等平台的原生支持。没有供应商锁定，没有订阅费，也没有按查询计费：您的成本仅限于运行 Postgres 的费用。

该扩展添加了三种距离运算符：<-> 用于 L2（欧几里得）距离，<#> 用于内积，以及 <=> 用于余弦距离。它支持两种索引类型：IVFFlat（基于分区的近似搜索，需要训练步骤）和 HNSW（分层可导航小世界，于 2023 年 10 月在 v0.5.0 中添加，支持增量构建并在无需训练阶段的情况下提供更高的召回率）。根据版本的不同，您可以存储高达数千维的向量，使其与 OpenAI、Cohere、Google 等的嵌入模型兼容。查询在 Postgres 内部运行，因此您可以将向量结果与常规关系表进行 JOIN 操作，应用行级安全策略，并使用现有的连接池和 ORM，而无需任何新的基础设施。

截至 2026 年 4 月 pgvector 的实际功能

pgvector 当前的稳定版本 (v0.8.x) 作为标准的 Postgres 扩展发布：只需一条 CREATE EXTENSION vector; 命令即可在任何兼容的数据库中启用它。您可以定义一个声明了维度数量的向量列（例如，针对 OpenAI ada-002 嵌入的 embedding vector(1536)），使用标准的 INSERT 将嵌入与常规数据一起插入，并在 WHERE 子句或 ORDER BY 中使用距离运算符进行查询。2023 年 10 月添加的 HNSW 索引现在是超过约 100,000 个向量的生产工作负载的推荐索引类型。它支持并发插入而无需重建步骤，并在合理的查询速度下始终提供 95% 以上的召回率。对于可以接受训练阶段成本且内存受限的工作负载，IVFFlat 仍然可用。这两种索引类型在较新的 Postgres 版本中都支持并行索引创建。该扩展得到积极维护，定期有代码提交，主要云提供商在发布后几周内就会跟进新版本。

pgvector 与 Pinecone 和 Qdrant 的定位对比

截至 2026 年 4 月，向量数据库市场大致分为三个阵营：专用的托管服务（Pinecone）、开源的专用数据库（Qdrant、Weaviate、Chroma）以及 Postgres 扩展（pgvector）。它们之间的权衡是具体且基于架构的。

pgvector vs. Pinecone: Pinecone 是一个闭源的、纯托管的服务，从头开始为大规模近似最近邻搜索而构建。其分布式架构在处理数十亿个向量时，比在单个 Postgres 实例中的 pgvector 更为流畅。它提供实时索引更新、直接连接到索引的内置元数据过滤（而不是查询后的 SQL WHERE 子句），以及无 SQL 的 REST/SDK 接口。Serverless Pinecone 名义上是免费起步的，但一旦索引规模增长，付费层级大约从每月 $70 开始。核心的权衡在于性能上限和供应商锁定，与留在 Postgres 内部的简单性之间的对比。如果您已经有一个 Postgres 应用程序，Pinecone 需要一项新服务、一个新的 API 客户端、一个新的计费关系，以及查询两个不同数据存储并关联结果的应用程序代码。而 pgvector 将一切都保留在一个地方。

pgvector vs. Qdrant: Qdrant 是一个用 Rust 编写的开源、可自托管的向量数据库，也作为托管云服务提供。它使用 HNSW 作为其主要索引（与 pgvector 在 v0.5.0 中采用的算法相同），但专门针对向量工作负载进行了实现，这意味着在同等召回率下具有更高的原始 QPS，特别是在高并发负载下。Qdrant 将有效负载过滤视为一等索引原语：元数据过滤器连接到 HNSW 遍历中，而不是作为查询后过滤器应用。基准测试一致表明，在高并发情况下，Qdrant 的吞吐量优于 pgvector。代价是运维方面的：Qdrant 是一个独立的状态服务，具有自己的部署、存储格式、API 和监控。您无法在单个查询中将 Qdrant 结果与您的 Postgres 用户表进行 JOIN 操作；您需要从 Qdrant 获取数据，然后在应用程序代码中或通过第二次数据库往返进行关联。对于有 DevOps 带宽来管理另一项服务，并且向量工作负载将超过 2000 万到 5000 万行的团队来说，Qdrant 是更强大的技术选择。对于其他所有人来说，pgvector 的“它只是你的 Postgres”这一论点很难被拒绝。

"上个季度我们从 Pinecone 迁移到了 pgvector。我们的 p99 查询延迟变高了，但我们消除了一整个基础设施依赖，每月的账单下降了大约 $400。对于我们不到 500 万个向量的规模来说，这是一个正确的决定。" -- throwaway_ml_eng，Hacker News，2023 年 11 月

日常工作流的实际情况

最常见的 pgvector 工作流是 RAG（检索增强生成）管道：对文档进行分块，通过调用 OpenAI 或 Cohere 的 API 生成嵌入，将嵌入和源文本存储在 Postgres 表中，然后在查询时为用户的问题生成嵌入，并检索前 K 个最接近的块以注入到 LLM 提示词中。使用 pgvector，这只是一个单一的 SQL 查询。嵌入与您的用户、文档、权限和审计日志位于同一个数据库中。行级安全性自动适用。您现有的 Postgres 监控（pg_stat_statements、慢查询日志、Datadog 等）涵盖了向量查询。数据库迁移也仅仅是 ALTER TABLE 语句。

2023 年 10 月发布的 v0.5.0 添加了 HNSW 索引，这是社区广泛认为 pgvector 已准备好投入生产的时刻。在该版本之前，IVFFlat 是唯一的近似索引选项。IVFFlat 需要在加载数据后进行显式的训练步骤（SET ivfflat.probes），在大型数据集上探测计数较低时会降低召回率，并且如果不进行定期重新训练就无法增量更新。2022-2023 年的多起生产中断和博客文章都追溯到随着集合增长而导致的 IVFFlat 召回率下降。HNSW 消除了训练要求，并提高了实际召回率的标准。宣布 v0.5.0 的 GitHub 问题线程在几天内积累了数百条评论，团队报告称长期存在的生产问题立即得到了缓解。

"0.5.0 中的 HNSW 索引支持是让 pgvector 对我们真正可用的关键。在此之前，我们在任何超过一百万行的数据上都会遇到全表扫描。有了 HNSW 之后，简直是天壤之别。" -- datasci_pete，GitHub 问题线程，pgvector/pgvector，2023 年末

pgvector 适合哪些人

pgvector 适合那些已经在使用 Postgres 并且希望在不向其技术栈添加新服务的情况下进行向量搜索的团队。这涵盖了初创企业和扩大规模市场的一大部分：任何在 Supabase、Neon、RDS、Cloud SQL 或自托管 Postgres 实例上的用户都可以通过一条命令启用 pgvector，并在当天开始存储嵌入。它适用于 RAG 管道、语义搜索功能、推荐引擎和重复检测工作流，在高达约 1000 万到 2000 万个向量的规模下具有可接受的查询性能。它特别适合多租户 SaaS 应用程序，在这些应用程序中，Postgres 的行级安全策略提供每个客户的数据隔离，而无需在向量层中进行任何自定义访问控制层。对于 DevOps 带宽有限、无法证明管理另一项状态服务是合理选择的团队来说，即使性能数据不是同类最佳，pgvector 的操作简便性也极具吸引力。

pgvector 不是什么

在大规模或高并发写入负载下，pgvector 并不是专用向量数据库的替代品。在 5000 万个向量及以上，或者在向量存储每秒被查询数千次的应用程序中，pgvector 的 Postgres 查询规划器开销和基于 MVCC 的并发性成为明显的限制。处于这种情况的团队一致报告称，他们会迁移到 Qdrant（自托管）或 Pinecone（托管），而不是试图通过调优来绕过 pgvector 的限制。

pgvector 不提供原生的混合搜索。对于需要将 BM25 关键字排名与向量相似度相结合的 RAG 管道（截至 2025-2026 年，这种模式在生产检索系统中越来越标准），您必须使用 Postgres 全文搜索、pg_trgm 或外部 BM25 索引自己组装这些部分，然后在应用程序代码中融合分数。像 Weaviate 和 Elasticsearch 这样的专用系统将混合搜索作为具有可调 alpha 参数的一等模式提供。如果混合检索是您产品的核心，pgvector 需要大量额外的工程工作才能达到专用系统开箱即用的效果。

如果您的应用程序不在 Postgres 上，pgvector 也帮不了您。如果您的主要数据存储是 MongoDB、MySQL、Cassandra 或纯对象存储，那么 pgvector 不适合您：您需要一个专用的向量数据库或托管服务。