_{🧠 记忆锚点：向量与业务同库换一致性和简单运维；过滤要看选择性与执行计划。}

💡 答案要点

pgvector = PostgreSQL 向量扩展，让 Postgres 原生支持 ANN 检索，无需额外向量库

核心价值：一套系统搞定业务数据 + 向量数据

-- 安装扩展
CREATE EXTENSION vector;

-- 创建带向量的表
CREATE TABLE documents (
    id         BIGSERIAL PRIMARY KEY,
    title      TEXT,
    category   TEXT,
    created_at TIMESTAMPTZ DEFAULT NOW(),
    embedding  VECTOR(1536)
);

-- 创建 HNSW 索引（pgvector 0.6+）
CREATE INDEX ON documents
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- ✅ 一条 SQL 搞定混合检索：向量相似 + 业务条件过滤
SELECT title, 1 - (embedding <=> $1) AS similarity
FROM documents
WHERE category = '技术文档'
  AND created_at > '2024-01-01'
ORDER BY embedding <=> $1
LIMIT 10;

三种距离运算符：

运算符	类型	推荐场景
<=>	余弦距离	OpenAI 归一化 Embedding（首选）
<->	欧氏距离 L2	未归一化向量
<#>	负内积	归一化向量（等价余弦）

选型边界：

数据量	建议
< 100 万	pgvector（省一套系统） ✅
100-500 万	pgvector + HNSW 调优
> 500 万	考虑 Milvus / Qdrant

LangChain 集成：

from langchain_postgres import PGVector
from langchain_openai import OpenAIEmbeddings

vector_store = PGVector(
    connection="postgresql+psycopg://user:pass@localhost:5432/ragdb",
    embeddings=OpenAIEmbeddings(model="text-embedding-3-small"),
    collection_name="documents",
)

# 向量检索 + 元数据过滤
results = vector_store.similarity_search(
    query="如何优化 RAG 检索",
    k=5,
    filter={"category": "技术文档"}
)

面试话术：

"pgvector 的优势是向量与关系数据共享 PostgreSQL 的事务、过滤、备份和权限体系，适合已有 Postgres 能力的团队。是否迁移到专用向量系统不能按固定条数判断，还取决于维度、索引、更新率、过滤、并发、分片和 SLO；应在真实查询与硬件上压测。"

📚 参考：pgvector（PostgreSQL 向量与业务条件混合查询）

---