postgresql搭配pgvector是rag应用中最主流的向量存储方案，关键实践包括：一、启用扩展并建向量表；二、构建hnsw或ivfflat索引；三、执行余弦相似度检索；四、集成rabitq量化降耗；五、结合pgvectorscale启用diskann高性能检索。
如果您正在构建基于大语言模型的AI应用，并希望将私有文档知识注入模型响应中，则很可能已进入RAG（检索增强生成）技术路径。而PostgreSQL搭配pgvector扩展，正成为该路径中最主流、最稳健的向量存储与检索实现方式。以下是围绕此架构展开的关键实践要点：
一、启用pgvector扩展并创建向量表
pgvector通过新增vector数据类型和配套索引机制，使PostgreSQL原生支持高维向量的存储与相似度计算。启用前需确保数据库版本为14及以上，且具备足够权限执行扩展安装。
1、以超级用户或具有CREATEDB权限的用户连接数据库。
2、执行命令安装pgvector扩展：CREATE EXTENSION IF NOT EXISTS vector;
3、验证扩展是否成功加载：SELECT extname, extversion FROM pg_extension WHERE extname = 'vector';
4、创建用于存储文档及其嵌入向量的表，例如：CREATE TABLE documents (id SERIAL PRIMARY KEY, title TEXT, content TEXT, embedding vector(1536));
二、选择并构建高效向量索引
未经索引的向量表在百万级数据下将退化为全表扫描，导致查询延迟不可接受。pgvector提供HNSW与IVFFlat两类索引策略，分别适用于低延迟在线服务与高吞吐批量场景。
1、为语义搜索高频场景推荐使用HNSW索引，执行：CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops) WITH (m = 16, ef_construction = 64);
2、若数据集维度高（如2000+）、总量达千万级且对内存敏感，可选用IVFFlat索引：CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);
3、索引构建后需执行ANALYZE刷新统计信息：ANALYZE documents;
三、执行向量相似度检索查询
检索的核心是将用户查询文本经同一嵌入模型编码为向量，再利用pgvector提供的距离运算符在索引中快速定位最邻近结果。余弦相似度因其对向量模长不敏感，被广泛用于语义匹配任务。
1、假设已获得查询向量值[0.12, -0.45, ..., 0.88]（长度1536），执行相似度降序检索：SELECT id, title, content FROM documents ORDER BY embedding '[0.12,-0.45,...,0.88]' LIMIT 5;
2、若需返回相似度分数而非距离，可改用表达式：SELECT id, title, 1 - (embedding '[...]') AS similarity FROM documents ORDER BY embedding '[...]' LIMIT 5;
3、为提升稳定性，建议在WHERE子句中加入阈值过滤，例如仅返回相似度高于0.7的结果：WHERE (1 - (embedding '[...]')) > 0.7
四、集成RaBitQ量化以降低资源消耗
RaBitQ是阿里云RDS PostgreSQL针对pgvector引入的向量量化能力，通过对float32向量进行位级压缩，在维持95%以上召回率的前提下，显著减少内存占用与IO压力，尤其适用于千万级向量规模的生产部署。
1、确认当前RDS实例已升级至支持RaBitQ的内核小版本（2026年4月后发布版本）。
2、启用量化功能需在创建索引时显式指定参数：CREATE INDEX idx_doc_quant ON documents USING hnsw (embedding vector_cosine_ops) WITH (m = 16, ef_construction = 64, quantization = 'rabitq');
3、量化索引仅支持HNSW类型，且要求向量维度为64的整数倍；若原始嵌入为1536维，可直接使用无需调整。
五、结合pgvectorscale启用DiskANN高性能检索
当向量规模突破千万、且对P99延迟有严苛要求时，pgvectorscale提供的DiskANN索引可进一步压低内存驻留需求，并支持毫秒级响应。该扩展需依赖pgvector v0.8.2及以上版本，且仅适用于云数据库环境。
1、按顺序安装两个扩展：CREATE EXTENSION IF NOT EXISTS vector; CREATE EXTENSION IF NOT EXISTS vectorscale;
2、为文档表创建DiskANN索引，采用余弦距离度量：CREATE INDEX idx_diskann_cos ON documents USING diskann (embedding vector_cosine_ops);
3、执行查询时语法保持不变，但底层将自动调用DiskANN加速器：SELECT * FROM documents ORDER BY embedding $1 LIMIT 3;
