向量桶
Store, index, and query vector embeddings at scale with similarity search.
此功能处于测试阶段
预计会有快速变化、功能有限，并可能出现破坏性更新。随着我们改进体验并扩大访问，欢迎分享反馈。
🌐 Expect rapid changes, limited features, and possible breaking updates. Share feedback as we refine the experience and expand access.
向量桶可以高效地存储向量嵌入并进行相似性搜索。它们基于兼容S3的存储构建，为人工智能和机器学习应用提供高性能的语义搜索功能。
🌐 Vector buckets enable efficient storage and similarity search of vector embeddings. Built on S3-compatible storage, they provide high-performance semantic search capabilities for AI and machine learning applications.
什么是向量桶？ #
🌐 What are Vector buckets?
向量桶是为向量数据优化的专用存储容器。与为事务查询优化的传统数据库不同，向量桶使用专门的索引和距离度量，在数百万个嵌入中快速进行相似性搜索。
🌐 Vector buckets are specialized storage containers optimized for vector data. Unlike traditional databases optimized for transactional queries, vector buckets use specialized indexing and distance metrics to perform fast similarity searches across millions of embeddings.
每个向量桶包含：
🌐 Each vector bucket contains:
- 索引 - 按一致的维度和距离度量组织的向量集合
- 向量 - 带有相关元数据的嵌入，用于过滤和丰富
- 元数据 - 关于向量的额外信息（文本、标签、ID等）
主要特点 #
🌐 Key features
- 相似度搜索 - 使用余弦、欧几里得或L2距离指标查找语义相似的向量
- 元数据过滤 - 在相似度搜索前后按相关元数据筛选结果
- 批量操作 - 每次请求最多插入、更新和查询 500 个向量
- 可扩展存储 - 在单个索引中存储数百万个向量
- S3 原生 - 构建在经过验证的 S3 基础设施上，可靠且耐用
理想的使用场景 #
🌐 Ideal use cases
向量桶擅长于：
🌐 Vector buckets excel at:
- 语义搜索 - 找到与查询相似的文档或图片
- 推荐系统 - 基于嵌入向量推荐产品、内容或人脉
- 聚类与异常检测 - 将相似的项目分组或识别异常值
- 图片搜索 - 从大型目录中获取视觉相似的图片
- RAG（检索增强生成） - 为大语言模型查询寻找相关内容
- 个性化 - 根据用户嵌入推荐量身定制的内容
与 pgvector 的比较 #
🌐 Comparison to pgvector
向量桶与 pgvector 有相似之处，并尽可能匹配使用 pgvector 的开发者体验，但向量桶和它们使用的任何 Foreign Data Wrappers (FDW) 仅支持一种相似度搜索算法，即 <===> 距离运算符。
🌐 Vector buckets share similarities to pgvector and matches the developer experience of using pgvector as much as possible, but Vector buckets and any Foreign Data Wrappers (FDW) they use only support one similarity search algorithm, the <===> distance operator.
这让 Vector 桶非常适合于：
🌐 This makes Vector buckets ideal for:
- 大规模数据存储
- 后台处理工作流程
- 对速度要求不高的应用
而且 pgvector 特别适合于：
🌐 And pgvector is ideal for:
- 快速原型和小数据量
- 需要快速响应的应用
- 面向用户的功能更接近前端
向量桶是如何工作的 #
🌐 How Vector buckets work
- 创建一个存储桶 来整理你的向量数据
- 在桶内创建索引，使用指定的维度和距离度量
- 存储向量，包括嵌入和可选的元数据
- 查询向量 使用相似度搜索寻找最邻近的向量
系统会自动处理索引和优化，即使有数百万个向量，搜索也能快速且可靠。
🌐 The system automatically handles indexing and optimization, making searches fast and reliable even with millions of vectors.
下一步 #
🌐 Next steps
🌐 Get started by learning how to create vector buckets or dive into storing vectors.