每日 Skill 推荐：pgvector — 让 PostgreSQL 成为向量数据库

前言#

在 AI 应用时代，向量数据库几乎是构建 RAG（检索增强生成）系统的标配。Pinecone、Weaviate、Chroma 这些专用向量数据库固然强大，但对于已经在使用 PostgreSQL 的团队来说，有没有更轻量的方案？

答案是：pgvector。

pgvector 是 PostgreSQL 的一个扩展，让你可以直接在 Postgres 中存储向量、执行相似性搜索，完全无需引入新的数据库基础设施。

今天我要介绍的，是 Hermes Agent 生态中的 pgvector Skill——它把 pgvector 的所有核心能力封装成了可直接使用的步骤和命令，让我一起来看看它的功能和使用方法。

功能介绍#

1. 向量存储#

使用 vector(1536) 数据类型存储文本嵌入（1536 维是 OpenAI text-embedding-3-small 的维度），每条记录还可以附带 JSONB 格式的元数据：

1
CREATE TABLE IF NOT EXISTS documents (
2
    id BIGSERIAL PRIMARY KEY,
3
    content TEXT NOT NULL,
4
    embedding vector(1536) NOT NULL,
5
    metadata JSONB,
6
    created_at TIMESTAMPTZ DEFAULT NOW()
7
);

2. 高性能索引#

支持两种索引策略：

HNSW（默认推荐）：搜索精度高，适合对质量要求高的场景
IVFFlat：构建速度快，适合超大规模数据集

1
-- HNSW 索引
2
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops)
3
WITH (m = 16, ef_construction = 64);

3. 向量相似搜索#

支持三种距离计算方式：

操作符	说明
`<->`	欧几里得距离（Euclidean）
`<=>`	余弦距离（Cosine）
`<#>`	内积（Inner Product）

1
-- 余弦相似度搜索
2
SELECT id, content, (1 - (embedding <=> '[query_embedding]')) AS similarity
3
FROM documents
4
ORDER BY embedding <=> '[query_embedding]'
5
LIMIT 5;

4. 混合搜索（向量 + 关键词）#

pgvector 的另一个强大之处在于可以结合 PostgreSQL 原生的全文搜索（ts_rank），实现混合检索：

1
SELECT id, content,
2
    (1 - (embedding <=> '[query_embedding]')) AS vector_score,
3
    ts_rank(to_tsvector('english', content), plainto_tsquery('english', 'search terms')) AS text_score
4
FROM documents
5
WHERE content ILIKE '%search terms%'
6
ORDER BY (vector_score * 0.7 + text_score * 0.3) DESC
7
LIMIT 10;

5. RAG 管道支持#

Skill 内置了完整的 RAG 检索流程示例，包括文档分块（chunking）和上下文组装：

1
-- 检索相关片段作为 LLM 上下文
2
SELECT chunk_text
3
FROM document_chunks
4
WHERE document_id = ?
5
ORDER BY chunk_embedding <=> '[question_embedding]'
6
LIMIT 5;

使用方法#

环境配置#

1
# 默认连接参数（已预配置）
2
psql -h localhost -p 5433 -U damien -d postgres
3

4
# 或设置环境变量
5
export PGHOST=localhost
6
export PGPORT=5433
7
export PGUSER=damien
8
export PGDATABASE=postgres

基本工作流#

连接数据库 — 使用上面的连接命令
建表 — 创建 documents 表（含 vector 列）
创建索引 — HNSW 或 IVFFlat 加速搜索
插入向量 — 来自 OpenAI、Cohere 或本地模型
执行检索 — 相似度查询或混合搜索
集成 RAG — 将结果注入 LLM 上下文

Skill 中还提供了 Python 批量插入示例，直接复制即可使用。

我的评价#

优点#

零基础设施：不需要额外部署 Pinecone 或 Qdrant，直接用已有的 Postgres
功能完整：HNSW/IVFFlat 索引、余弦/欧氏/内积三种距离、混合搜索，全部具备
RAG 友好：内置分块检索示例，拿来就能接 LLM
运维简单：一个数据库同时管关系数据和向量数据，备份、权限、监控全部统一

缺点#

相比专用向量数据库（如 Pinecone），在超大规模（亿级向量）场景下性能有差距
需要手动管理嵌入向量，不支持自动向量化

适用场景#

✅ 个人项目 / 中小规模应用（百万级向量以内）
✅ 已有 PostgreSQL 基础设施的团队
✅ 需要关系数据 + 向量混合查询的场景
❌ 超大规模向量检索（建议用 Pinecone / Weaviate）

总结#

pgvector 是我目前见过最优雅的”渐进式 AI 能力扩展”方案——不需要学新工具，不需要改变架构，直接在熟悉的 PostgreSQL 上开启向量能力。

如果你正在构建 RAG 应用、又不想引入额外的数据库依赖，强烈推荐安装这个 Skill，连接你的 Postgres，立刻开始向量搜索。

📦 Skill 安装方式：在 Hermes 中运行 /skill pgvector 即可加载。