Skip to content
Database

pgvector：嵌入和向量相似性

pgvector 是一个用于向量相似性搜索的 Postgres 扩展。它也可以用于存储 embeddings。

了解更多关于 Supabase 的 AI & 向量 产品。

🌐 Learn more about Supabase's AI & Vector offering.

概念 #

🌐 Concepts

向量相似度 #

🌐 Vector similarity

向量相似性是指衡量两个相关项目之间相似度的一种方法。例如，如果你有一个产品列表，你可以使用向量相似性来找到相似的产品。为此，你需要将每个产品转换成一个数字“向量”，这是通过一种数学模型实现的。你也可以对文本、图片和其他类型的数据使用类似的模型。一旦所有这些向量都存储在数据库中，你就可以利用向量相似性来找到相似的项目。

🌐 Vector similarity refers to a measure of the similarity between two related items. For example, if you have a list of products, you can use vector similarity to find similar products. To do this, you need to convert each product into a "vector" of numbers, using a mathematical model. You can use a similar model for text, images, and other types of data. Once all of these vectors are stored in the database, you can use vector similarity to find similar items.

嵌入 #

🌐 Embeddings

如果你正在使用大型语言模型构建 AI 应用，这尤其有用。你可以为检索增强生成（RAG）创建并存储嵌入。

🌐 This is particularly useful if you're building AI applications with large language models. You can create and store embeddings for retrieval augmented generation (RAG).

用法 #

🌐 Usage

启用扩展 #

🌐 Enable the extension

  1. 在仪表板中转到数据库页面。
  2. 点击侧边栏的 扩展。
  3. 搜索“vector”并启用扩展。

用法 #

🌐 Usage

创建一个用于存储向量的表 #

🌐 Create a table to store vectors

1
create table posts (
2
  id serial primary key,
3
  title text not null,
4
  body text not null,
5
  embedding extensions.vector(384)
6
);

存储向量/嵌入 #

🌐 Storing a vector / embedding

在这个例子中，我们将使用 Transformer.js 生成一个向量，然后使用 Supabase 客户端将其存储到数据库中。

🌐 In this example we'll generate a vector using Transformer.js, then store it in the database using the Supabase client.

1
import { pipeline } from '@xenova/transformers'
2
const generateEmbedding = await pipeline('feature-extraction', 'Supabase/gte-small')
3
4
const title = 'First post!'
5
const body = 'Hello world!'
6
7
// Generate a vector using Transformers.js
8
const output = await generateEmbedding(body, {
9
  pooling: 'mean',
10
  normalize: true,
11
})
12
13
// Extract the embedding output
14
const embedding = Array.from(output.data)
15
16
// Store the vector in Postgres
17
const { data, error } = await supabase.from('posts').insert({
18
  title,
19
  body,
20
  embedding,
21
})

具体使用案例 #

🌐 Specific usage cases

带过滤的查询 #

🌐 Queries with filtering

如果你使用 IVFFlat 或 HNSW 索引，并且天真地根据另一列的值来过滤结果，你可能会得到比请求的行数更少的返回结果。

🌐 If you use an IVFFlat or HNSW index and naively filter the results based on the value of another column, you may get fewer rows returned than requested.

例如，下面的查询可能返回少于 5 行，即使数据库中存在对应的 5 行。这是因为嵌入索引可能不会返回 5 行符合过滤条件的记录。

🌐 For example, the following query may return fewer than 5 rows, even if 5 corresponding rows exist in the database. This is because the embedding index may not return 5 rows matching the filter.

1
SELECT * FROM items WHERE category_id = 123 ORDER BY embedding <-> '[3,1,2]' LIMIT 5;

要获取确切的请求行数，请使用迭代搜索继续扫描索引，直到找到足够的结果。

🌐 To get the exact number of requested rows, use iterative search to continue scanning the index until enough results are found.

更多 pgvector 和 Supabase 资源 #

🌐 More pgvector and Supabase resources