zhuangang/topics/ai/vector-db/02-selection-pgvector.md

id, title, type, domain, stack, tags, level, prerequisites, est_hours, related, week, order

id	title	type	domain	stack	tags	level	prerequisites	est_hours	related	week	order
ai.vector-db.selection-pgvector	向量库选型和 pgvector 实战：Chroma / pgvector / Milvus / Elasticsearch	lesson	ai	vector-db postgresql	向量库选型 pgvector Chroma Milvus Elasticsearch 元数据过滤	intermediate	ai.vector-db.ann-metrics	3	ai.vector-db.scenario.multi-tenant-index backend.postgresql.index backend.elasticsearch.index	5 6	2

向量库选型和 pgvector 实战：Chroma / pgvector / Milvus / Elasticsearch

解释说明

选型对比

方案	适合	优点	注意
Chroma	原型、学习、小规模	安装即用，Python 内嵌模式	大规模、高可用要评估；版本间 API 有变化
pgvector（PostgreSQL 扩展）	已有 PostgreSQL、百万级以内、需要和业务数据联查	一套数据库；SQL 过滤、事务、备份都复用	超大规模和高 QPS 时不如专用向量库；向量索引的内存占用要规划
Milvus	千万到亿级、需要分布式	多种索引、分区、标量过滤、水平扩展	组件多，运维成本高（也有托管版）
Elasticsearch / OpenSearch	已经用 ES 做全文检索，想要关键词 + 向量混合检索	一个引擎做 BM25 + kNN	向量功能的版本差异较大，以官方文档为准
FAISS	嵌入到程序里的向量检索库	快，索引类型全	是库不是数据库：没有持久化服务、过滤、权限，需要自己做

本计划的选择：学习阶段用 Chroma 或 numpy 快速理解；项目使用 pgvector，因为第 3~4 周已经学了 PostgreSQL，业务数据、权限和向量可以放在同一个库里联查；面试时能讲清楚“为什么不用 Milvus”和“什么规模需要换”。

pgvector 要点（以官方文档为准：https://github.com/pgvector/pgvector）

• 类型：vector(n)；还有 halfvec（半精度，省一半空间）、sparsevec。
• 运算符：<-> L2 距离，<#> 负内积，<=> 余弦距离（都是越小越近）。
• 索引：USING hnsw (embedding vector_cosine_ops)，运算符类必须和查询用的运算符一致（vector_l2_ops / vector_ip_ops / vector_cosine_ops），否则不走索引。
• 查询参数：SET hnsw.ef_search = 100;（默认 40）；IVFFlat 用 ivfflat.probes。
• 过滤：WHERE tenant_id = $1 ORDER BY embedding <=> $2 LIMIT 10。过滤条件很严格时，0.8 版本可以开启 hnsw.iterative_scan 让索引继续扫描直到凑够结果；或者按租户建部分索引 / 分区。

案例

一个 SaaS 客服系统，50 个租户共 200 万个知识块，平均每个租户 4 万，最大租户 60 万。业务表已经在 PostgreSQL 中。选择 pgvector：块表带 tenant_id，HNSW 索引 + tenant_id 普通索引；大租户检索结果不足时开启迭代扫描。评估结论写进文档：当总量超过数千万或 QPS 超过单机能力时，再评估 Milvus。

代码示例

pgvector 的表结构和查询（完整可运行版本 examples/vector-stores/pgvector_demo.py，已在 PostgreSQL 17 + pgvector 0.8.0 上运行）：

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE chunks (
    id         BIGSERIAL PRIMARY KEY,
    tenant_id  TEXT NOT NULL,
    doc_id     TEXT NOT NULL,
    version    INT  NOT NULL,
    content    TEXT NOT NULL,
    embedding  vector(1024) NOT NULL
);
CREATE INDEX ON chunks USING hnsw (embedding vector_cosine_ops);
CREATE INDEX ON chunks (tenant_id);
CREATE INDEX ON chunks (doc_id);

-- 查询：$1 租户，$2 查询向量
SET hnsw.ef_search = 100;
SELECT id, doc_id, content, 1 - (embedding <=> $2) AS similarity
FROM chunks
WHERE tenant_id = $1
ORDER BY embedding <=> $2
LIMIT 10;

Chroma 的写入、元数据过滤、更新删除见 examples/vector-stores/chroma_demo.py。

易错点

• 建索引用了 vector_l2_ops，查询用 <=>：不走索引，变成全表扫描。
• <#> 返回的是负内积，排序时直接 ORDER BY embedding <#> q 就是内积从大到小；自己再加负号就反了。
• 小表的执行计划显示顺序扫描：数据少时规划器认为顺序扫描更便宜，这是正常的，不是索引失效。
• HNSW 索引默认不支持太高的维度（vector 类型的索引上限 2000 维，halfvec 4000 维，以官方文档为准），高维模型要选 halfvec 或降维。
• 大批量导入时边写边维护 HNSW 索引很慢：先导入再建索引，并适当调大 maintenance_work_mem。
• Chroma 不同版本的客户端 / 持久化格式有变化，升级前看迁移说明。

面试常问

• 为什么选 pgvector 而不是 Milvus？什么时候要换？
• pgvector 的三种距离运算符分别是什么？索引怎么建才能生效？
• 向量和业务数据放一个库有什么好处和风险？