使用 pgvector 讓 PostgreSQL 支援向量相似度搜尋

Q: pgvector 需要另外裝一套向量資料庫嗎？

不需要。pgvector 是 PostgreSQL 的延伸套件，安裝後既有的資料庫就能直接多出 `vector` 型別欄位，向量資料跟關聯式資料共用同一張表、同一個交易機制。

pgvector 是一個開源套件，能讓 PostgreSQL 直接儲存向量並執行相似度搜尋，不需要另外架設專用的向量資料庫。只要在既有的 PostgreSQL 上安裝這個延伸套件，就能把 embedding 跟其他關聯式資料放在同一張表裡查詢。

pgvector 支援哪些向量搜尋功能？

pgvector 支援精確與近似最近鄰搜索，涵蓋單精度、半精度、二進位與稀疏向量等多種資料型態，距離計算則提供 L2 距離、內積、餘弦距離、L1 距離、漢明距離與 Jaccard 距離。任何有 PostgreSQL 用戶端的語言都能呼叫它，而且完全相容 ACID、時間點恢復、JOIN 等 PostgreSQL 原生功能，等於是在不犧牲關聯式資料庫特性的前提下，多了一種向量欄位可以用。

專案頁面在 github.com/pgvector/pgvector。

如何在 Linux 上安裝 pgvector？

從原始碼編譯安裝即可，指令很短：

cd /tmp
git clone --branch v0.7.2 https://github.com/pgvector/pgvector.git
cd pgvector
make
make install # may need sudo

如何在 Windows 上安裝 pgvector？

Windows 環境需要先裝好 C++ 編譯工具鏈，再用 nmake 編譯。步驟如下：

安裝 Visual Studio，並在元件勾選畫面中至少選取「使用 C++ 的桌面開發」與「使用 C++ 進行行動開發」等 C/C++ 相關工作負載。
開啟 C 語言編譯環境：

call "C:\Program Files\Microsoft Visual Studio\2022\Community\VC\Auxiliary\Build\vcvars64.bat"

用 nmake 編譯並安裝：

set "PGROOT=C:\Program Files\PostgreSQL\16"
cd %TEMP%
git clone --branch v0.7.2 https://github.com/pgvector/pgvector.git
cd pgvector
nmake /F Makefile.win
nmake /F Makefile.win install

如何建立可以儲存向量的資料表欄位？

pgvector 的資料型別是 vector(N)，括號內的數字代表向量長度，例如 OpenAI 的 embedding 長度是 1536。建表時直接把欄位型別指定為 vector(1536) 即可：

CREATE TABLE IF NOT EXISTS public.test_example
(
    id character varying(255) COLLATE pg_catalog."default" NOT NULL,
    embeddings vector(1536),
    CONSTRAINT test_example_pkey PRIMARY KEY (id)
)

用 pgAdmin 之類的工具管理時，在 Object Explorer 對資料庫按右鍵選擇 Query Tool 就能開啟 SQL 輸入介面；現有的表格則能從 Schemas -> Tables 底下瀏覽到。

pgAdmin Object Explorer 畫面，展開 Schemas 與 Tables 節點瀏覽資料表

如何把 embedding 資料寫入資料表？

把 CSV 裡的 embedding 字串轉成浮點數陣列後，用 psycopg2 逐筆寫入即可，跟寫入一般欄位沒有差別：

import psycopg2
df = pd.read_csv('./data.csv')
def convert_embedding(embedding_str):
    return list(map(float, embedding_str.split(',')))

df["embeddings"] = df["embeddings"].apply(literal_eval)

row = df.iloc[0]
sql = """
    INSERT INTO fare_info (
        id, embeddings 
    ) VALUES (
        %s, %s
    )
"""

conn = psycopg2.connect(dbname="myDB", user="myUser", password="xxxxxx")
cursor = conn.cursor()
cursor.execute(sql, (row['id'],row['embeddings']))
conn.commit()

pgvector 資料量變大時，有哪些擴充選項？

單機 PostgreSQL 搭配 pgvector 在資料量成長到一定規模後，查詢延遲會隨之上升，這時可以考慮阿里巴巴雲推出的 AnalyticDB。AnalyticDB 是基於 PostgreSQL 開發的雲原生資料倉儲，同樣支援 pgvector 語法，但額外做了幾項強化：

能力	pgvector（單機 PostgreSQL）	AnalyticDB
向量搜索架構	單機處理	可將向量資料分佈到多節點並行處理，處理大型資料集更快
向量壓縮	無	支援，可減少儲存空間
向量索引	依賴 pgvector 原生索引	額外提供向量索引，加快查詢速度

換句話說，AnalyticDB 中的 pgvector 用法與一般 PostgreSQL 相同，差別在底層的分散式向量搜索、向量壓縮與向量索引，這些強化讓它更適合處理大型向量資料集。

常見問題

Qpgvector 需要另外裝一套向量資料庫嗎？

不需要。pgvector 是 PostgreSQL 的延伸套件，安裝後既有的資料庫就能直接多出 vector 型別欄位，向量資料跟關聯式資料共用同一張表、同一個交易機制。

Qvector(1536) 裡的 1536 是固定的嗎？

不是固定值，1536 只是因為對應 OpenAI 的 embedding 長度。改用其他模型時，欄位長度要換成該模型輸出的向量維度。

Q單機 pgvector 什麼時候該換成 AnalyticDB？

當向量資料量大到單機查詢延遲明顯上升，或需要跨節點平行處理與向量壓縮時，可以評估 AnalyticDB 這類基於 PostgreSQL 的雲原生方案。

參考資料

pgvector，GitHub 官方專案 README（安裝方式、向量型別與距離運算說明），存取日期：2026-08-27。https://github.com/pgvector/pgvector

關於作者

Claire Chang ｜企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2024-06-28