罗罗编程学习记录
本页内容 展开查看

05.6.2.1 扩展安装与向量类型基础

所属:全栈开发面试题库 / 05 数据库与存储 / 05.6 向量数据库与语义检索 / 05.6.2 pgvector

覆盖范围

  • 扩展创建、版本查询与升级、权限与 schema 归属、事务内安装
  • vector / halfvec / bit / sparsevec 四种类型的存储、上限与取舍
  • 六类距离算子、运算符类(ops)与索引的强制匹配
  • 维度约束、模型更换、归一化、NULL 与零向量
  • 数组与 vector 互转、COPY 批量导入、常见建表坑

类型主线

Embedding 模型产出浮点数组
   ↓ 选型
vector(float32) / halfvec(float16) / bit(二值) / sparsevec(稀疏)
   ↓ 距离算子
<-> L2  ·  <#> 负内积  ·  <=> 余弦  ·  <+> L1  ·  <~> Hamming  ·  <%> Jaccard
   ↓ 建索引时必须匹配
vector_l2_ops / vector_ip_ops / vector_cosine_ops / vector_l1_ops / bit_hamming_ops / bit_jaccard_ops

高频题速览

编号 题目 难度 频率
05.6.2.1-002 如何创建 pgvector 扩展 基础 ★★★★★
05.6.2.1-004 vector 列类型与维度定义 基础 ★★★★★
05.6.2.1-009 六个距离算子分别是什么 基础 ★★★★★
05.6.2.1-017 vector 与 halfvec 怎么选 进阶 ★★★★★
05.6.2.1-020 余弦距离与内积、归一化的关系 进阶 ★★★★★
05.6.2.1-022 运算符类与距离算子为什么必须匹配 进阶 ★★★★★
05.6.2.1-025 COPY 批量导入向量的格式与注意点 进阶 ★★★★★
05.6.2.1-032 换 Embedding 模型时的建表坑 进阶 ★★★★★
05.6.2.1-037 维度超过索引上限的可行路径 高级 ★★★★☆
05.6.2.1-048 RAG 知识库表的完整建表设计 高级 ★★★★★

05.6.2.1-001 pgvector 是什么,和业务主库是什么关系?

频率 ★★★★☆ | 难度 基础

一句话结论

pgvector 是 PostgreSQL 的向量检索扩展,把向量作为原生列类型,检索与业务数据在同一库内用 SQL、事务、JOIN 和备份体系完成,不替代业务主库。

概念解释

  • 定位:在关系型库内提供向量存储、距离算子与 ANN 索引,向量与标量字段同行存放。
  • 边界:业务主库仍承担事务、权限、一致性职责;pgvector 只扩展向量能力。
  • 与独立向量库的差异:复用 PG 的复制、备份、RLS、JOIN,代价是单机规模与专用索引能力受限。

原理流程

CREATE EXTENSION vector
   ↓
表中新增 vector / halfvec / bit / sparsevec 列
   ↓
业务行与向量同行,WHERE 过滤 + ORDER BY 距离 + LIMIT 完成检索

代码 / 命令

SELECT extname, extversion FROM pg_extension WHERE extname = 'vector';
-- 面试表达:先讲“同库同行”的好处,再讲规模上限与何时拆独立向量库

常见误区

  • 误区:装了 pgvector 就该把业务库改成向量库。正解:业务表结构不变,只在需要检索的表加向量列。
  • 误区:pgvector 是一套独立服务。正解:它是进程内扩展,随 PostgreSQL 实例运行,没有独立进程。

追问

  • 问:pgvector 依赖哪个 PostgreSQL 版本?答:版本兼容矩阵以官方仓库 README 与安装包说明为准,可用 SELECT version(); 核对本机 PG 版本后对照文档。
  • 问:一个实例里能给多个数据库装吗?答:扩展按数据库安装,需要在每个使用向量的数据库内分别 CREATE EXTENSION。

05.6.2.1-002 如何在数据库中创建 pgvector 扩展?

频率 ★★★★★ | 难度 基础

一句话结论

在目标数据库执行 CREATE EXTENSION vector;,扩展名是 vector 而不是 pgvector。

概念解释

  • 扩展名:SQL 扩展标识为 vector,包名与习惯叫法是 pgvector。
  • 前置条件:服务器已安装对应 PG 版本的扩展包(系统包或编译安装),数据库内具备创建扩展的权限。
  • 安装位置:可通过 SCHEMA 指定扩展对象所在 schema。

原理流程

确认 PG 版本与扩展包已就绪
   ↓ 连接目标数据库
CREATE EXTENSION IF NOT EXISTS vector;
   ↓ 校验
\dx  或  SELECT * FROM pg_extension;

代码 / 命令

CREATE EXTENSION IF NOT EXISTS vector;
-- 指定 schema(按项目实际 schema 调整)
CREATE EXTENSION IF NOT EXISTS vector SCHEMA extensions;

常见误区

  • 误区:写 CREATE EXTENSION pgvector;。正解:SQL 扩展名是 vector。
  • 误区:扩展装在模板库就自动对新库生效。正解:扩展按数据库安装,新建库需单独创建或由模板库继承。

追问

  • 问:安装报 “could not open extension control file” 怎么办?答:扩展包未安装或 PG 找不到共享库与 control 文件,需先在操作系统层安装对应版本的扩展包。
  • 问:IF NOT EXISTS 有什么用?答:扩展已存在时不报错,便于迁移脚本幂等执行。

05.6.2.1-003 怎么查看当前数据库已安装的扩展版本?

频率 ★★★☆☆ | 难度 基础

一句话结论

查 pg_extension 目录视图的 extversion 字段,即可看到 vector 扩展版本。

概念解释

  • pg_extension:记录数据库内已加载的扩展及其版本。
  • 版本用途:确认升级是否生效、核对文档特性是否可用。
  • 注意:扩展版本与 PG 主版本是两个维度,需要分别核对。

原理流程

连接目标库 → SELECT extname, extversion FROM pg_extension
   → 定位 extname = 'vector' 的行 → 对照官方变更说明判断特性可用性

代码 / 命令

SELECT extname, extversion, nspname
FROM pg_extension e JOIN pg_namespace n ON e.extnamespace = n.oid
WHERE extname = 'vector';

常见误区

  • 误区:SHOW server_version 就是扩展版本。正解:前者是 PG 服务版本,扩展版本在 pg_extension 里。
  • 误区:所有库的扩展版本一致。正解:各库独立安装,需逐库核对。

追问

  • 问:怎么知道某个算子或函数是哪个版本加入的?答:对照官方 README 的算子/函数表格 “Added” 列,或升级记录。
  • 问:扩展文件在操作系统哪里?答:位于 PG 的共享扩展目录,可用 pg_config --sharedir 定位,生产环境一般不直接改动。

05.6.2.1-004 vector 列类型怎么定义,括号里的数字是什么?

频率 ★★★★★ | 难度 基础

一句话结论

embedding vector(1536) 中括号内是向量维度,列会强制要求插入向量的元素个数与之相等。

概念解释

  • 类型签名:vector(n),n 为维度,对应 Embedding 模型输出的分量数。
  • 约束:写入维度与列定义不一致会报错;不带括号的 vector 允许混存不同维度。
  • 元素类型:每个分量是单精度浮点数(real),不允许 NaN、Infinity。

原理流程

模型确定维度 D → 建表用 vector(D)
   ↓ 写入
INSERT ... VALUES ('[0.1,0.2,...]')  -- 必须恰好 D 个分量
   ↓ 校验
维度不符 → 类型校验报错

代码 / 命令

CREATE TABLE items (
  id bigserial PRIMARY KEY,
  embedding vector(1536)
);

常见误区

  • 误区:括号数字是向量长度上限,可多可少。正解:它是固定维度要求,分量数必须严格相等。
  • 误区:维度写成模型名或字符串。正解:只接受整数维度。

追问

  • 问:不带括号的 vector 有什么代价?答:可混存维度,但无法直接建带维度约束的向量索引,查询需显式转型。
  • 问:插入整数列表可以吗?答:字面量分量会按 real 解析,整数可接受,但建议与模型输出精度一致。

05.6.2.1-005 vector 类型的存储字节怎么估算?

频率 ★★★☆☆ | 难度 基础

一句话结论

vector 单条存储约为 4 × 维度 + 8 字节,维度越高,向量本体与索引开销近似线性增长。

概念解释

  • 每分量 4 字节(float32),外加类型与维度元信息约 8 字节。
  • 该估算只覆盖向量列本体,不含索引结构、标量字段与行头开销。
  • 索引大小在向量本体之上另有放大,需单独用 pg_relation_size 实测。

原理流程

单条向量字节 ≈ 4 × D + 8
   ↓ 乘以行数
向量列总量 ≈ 行数 × (4 × D + 8)
   ↓ 加索引与标量列
得到表与索引的磁盘占用模型

代码 / 命令

SELECT pg_size_pretty(pg_total_relation_size('items'));
-- 估算:N 行 × D 维 × 4 字节/分量,再叠加索引放大系数

常见误区

  • 误区:按 8 字节/分量估算 float32。正解:vector 内部是单精度,4 字节/分量。
  • 误区:表大小等于向量列大小。正解:还包含业务列、索引、TOAST 与多版本残留。

追问

  • 问:halfvec 的存储公式是什么?答:约 2 × 维度 + 8 字节,每分量 float16,比 vector 省一半向量本体。
  • 问:怎么实测索引占多大?答:SELECT pg_size_pretty(pg_relation_size('索引名')); 读实际值,不要只靠估算。

05.6.2.1-006 halfvec 与 vector 的差别是什么?

频率 ★★★★☆ | 难度 基础

一句话结论

halfvec 用半精度(float16)存储,向量本体减半,精度略低,适合内存与磁盘受限、可接受精度损失的检索场景。

概念解释

  • 精度:vector 为 float32,halfvec 为 float16,动态范围与尾数精度都更小。
  • 存储:halfvec 约 2 × D + 8 字节,向量列与索引都更小。
  • 适用:大规模向量、对精度不极端敏感的语义检索;高精度数值计算不建议用 halfvec。

原理流程

评估召回与精度要求 → 对比 vector / halfvec 抽样检索结果
   → 召回达标 → 列用 halfvec 或表达式索引把 vector 转 halfvec

代码 / 命令

CREATE TABLE items (id bigserial PRIMARY KEY, embedding halfvec(3));
-- 表达式索引:原始列保留 vector,索引侧降精度
CREATE INDEX ON items USING hnsw ((embedding::halfvec(3)) halfvec_l2_ops);

常见误区

  • 误区:halfvec 会自动把 vector 列改写。正解:要么列直接定义 halfvec,要么用表达式索引转型,二者需在查询侧保持一致。
  • 误区:半精度完全不影响结果。正解:极端数值分布下可能出现精度损失,需用真实查询集对比召回。

追问

  • 问:halfvec 上能直接用距离算子吗?答:支持 L2、负内积、余弦、L1,算子类前缀换成 halfvec_,具体以官方类型参考为准。
  • 问:halfvec 列上查询要不要转型?答:列本身是 halfvec 时直接用;vector 列走 halfvec 表达式索引时,查询表达式也要对应转型。

05.6.2.1-007 bit 类型存什么,字面量格式如何?

频率 ★★★☆☆ | 难度 基础

一句话结论

bit(n) 存二值向量(0/1 串),字面量是引号包裹的二进制串,如 '0011',配合 Hamming 或 Jaccard 距离使用。

概念解释

  • 形态:每维是 0 或 1,常见于二值量化后的向量。
  • 距离:<~> Hamming(不同位数),<%> Jaccard(交集并集比)。
  • 存储:约 维度 / 8 + 8 字节,密度高时体积很小。

原理流程

浮点向量 → binary_quantize 量化为 bit
   ↓ 写入 bit(n) 列
ORDER BY embedding <~> '101' LIMIT k

代码 / 命令

CREATE TABLE items (id bigserial PRIMARY KEY, embedding bit(3));
INSERT INTO items (embedding) VALUES ('000'), ('111');
SELECT * FROM items ORDER BY embedding <~> '101' LIMIT 5;

常见误区

  • 误区:bit 字面量用逗号分隔。正解:bit 是连续 0/1 串,逗号格式是 vector 的写法。
  • 误区:bit 上能算余弦距离。正解:bit 只配 Hamming 与 Jaccard,余弦/L2 用于浮点类型。

追问

  • 问:bit 一般怎么得到?答:用 binary_quantize(vector) 把浮点向量按符号位量化为二值,通常配重打分保留召回。
  • 问:bit 维度上限是多少?答:索引可用上限以官方文档为准,二值量化常用于把高维向量压到可索引范围,验证方式见 README 类型参考。

05.6.2.1-008 sparsevec 类型存什么,字面量格式如何?

频率 ★★★☆☆ | 难度 基础

一句话结论

sparsevec 存只有少量非零分量的稀疏向量,字面量格式为 {下标:值,下标:值}/维度,下标从 1 开始。

概念解释

  • 场景:向量大部分分量为零(如某些高维稀疏特征),存完整 dense 向量浪费空间。
  • 格式:{1:1,3:2,5:3}/5 表示 5 维向量,仅第 1、3、5 维非零。
  • 下标约定:从 1 开始,与 SQL 数组下标一致,和常见 0 起编程数组不同。

原理流程

稀疏特征 → 压缩为非零下标与值
   ↓ 按格式拼接字面量
'{i:v,...}/D'
   ↓ 写入 sparsevec(D) 列并按 L2/内积/余弦检索

代码 / 命令

CREATE TABLE items (id bigserial PRIMARY KEY, embedding sparsevec(5));
INSERT INTO items (embedding) VALUES ('{1:1,3:2,5:3}/5');
SELECT * FROM items ORDER BY embedding <-> '{1:3,3:1,5:2}/5' LIMIT 5;

常见误区

  • 误区:下标从 0 开始。正解:sparsevec 下标从 1 起,迁移自 0 起数组时要整体加 1。
  • 误区:稀疏向量可以和 vector 直接做距离运算。正解:距离运算要求类型一致,跨类型需显式转型或分别存列。

追问

  • 问:sparsevec 支持哪些距离?答:支持 L2、负内积、余弦、L1,算子类前缀为 sparsevec_,具体以官方参考为准。
  • 问:非零元素很多时还值得用 sparsevec 吗?答:非零比例高时稀疏格式元信息开销反而不划算,应回到 dense 类型。

05.6.2.1-009 六个距离算子分别是什么符号,各配什么距离?

频率 ★★★★★ | 难度 基础

一句话结论

<-> 是 L2 欧氏距离,<#> 是负内积,<=> 是余弦距离,<+> 是 L1 曼哈顿距离,<~> 是 Hamming 距离,<%> 是 Jaccard 距离。

概念解释

  • 浮点类型:vector / halfvec / sparsevec 支持前四类距离。
  • 二值类型:bit 用 Hamming 与 Jaccard。
  • 排序语义:算子返回距离值,ORDER BY 算子 升序即最近邻;内积方向需注意符号约定。

原理流程

选定距离度量 → 选对应算子
   → 建索引时选同名 ops 类
   → 查询 ORDER BY 列 <算子> 查询向量 LIMIT k

代码 / 命令

ORDER BY embedding <->  '[1,2,3]' LIMIT 5;  -- L2
ORDER BY embedding <#>  '[1,2,3]' LIMIT 5;  -- 负内积
ORDER BY embedding <=>  '[1,2,3]' LIMIT 5;  -- 余弦
ORDER BY embedding <+>  '[1,2,3]' LIMIT 5;  -- L1
ORDER BY embedding <~>  '101'   LIMIT 5;    -- Hamming
ORDER BY embedding <%>  '101'   LIMIT 5;    -- Jaccard

常见误区

  • 误区:把余弦相似度写成 <=> 直接当相似度排序。正解:<=> 返回的是余弦距离,相似度为 1 - 余弦距离。
  • 误区:Hamming/Jaccard 能作用于 vector。正解:这两个算子只用于 bit 类型。

追问

  • 问:L1 距离是什么时候加入的?答:L1(taxicab)在较新版本提供,老版本需核对官方算子表 “Added” 列确认。
  • 问:内积排序为什么是负的?答:PG 索引只支持算子结果的升序扫描,<#> 返回负内积,升序排列等价于内积从大到小。

05.6.2.1-010 <#> 为什么返回负内积,而不是直接返回内积?

频率 ★★★★☆ | 难度 基础

一句话结论

PostgreSQL 索引扫描按算子结果升序走最邻近扫描,内积越大越相似,因此 pgvector 用负内积让 “升序” 等价于 “内积降序”。

概念解释

  • 索引约束:ANN 索引沿距离递增方向扫描,需要一个 “越小越近” 的度量。
  • 符号换算:取负后,内积最大的向量负内积最小,排在最前。
  • 取值还原:查询结果上的 <#> 结果乘以 -1 才是真实内积。

原理流程

需求:内积越大越靠前
   ↓ 索引只支持升序扫描
定义 <#> = -inner_product(a,b)
   ↓
ORDER BY embedding <#> q 升序 → 等价内积降序

代码 / 命令

SELECT id, -(embedding <#> '[1,2,3]') AS inner_product
FROM items ORDER BY embedding <#> '[1,2,3]' LIMIT 5;

常见误区

  • 误区:<#> 结果直接当内积比较大小。正解:结果带负号,比较内积需先乘 -1。
  • 误区:内积检索要把算子写成 <#> 再降序。正解:保持升序,靠负号完成方向转换。

追问

  • 问:内积与余弦在向量未归一化时有何差别?答:内积同时受方向与模长影响,余弦只看方向;需要内积排序时通常先归一化。
  • 问:索引配内积用哪个 ops 类?答:vector_ip_ops(halfvec / sparsevec 前缀对应替换),与 <#> 配套。

05.6.2.1-011 向量字面量怎么写,写入时常见格式错误有哪些?

频率 ★★★★☆ | 难度 基础

一句话结论

浮点向量字面量是引号包裹的方括号逗号列表,如 '[0.1,0.2,0.3]';bit 是连续 0/1 串,sparsevec 用大括号下标格式。

概念解释

  • vector / halfvec:'[v1,v2,...,vD]',分量用逗号分隔。
  • bit:'0101',不含逗号。
  • sparsevec:'{1:v1,3:v3}/D'。
  • 错误来源:类型格式混用、括号缺失、分量数与列维度不符。

原理流程

应用层数组 → 按类型序列化为字面量字符串
   ↓ 作为参数绑定或 SQL 内联
数据库解析为向量类型 → 校验维度与有限性

代码 / 命令

INSERT INTO items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]');
-- 应用侧建议以参数形式传入,避免拼接 SQL 与格式转义问题

常见误区

  • 误区:用花括号 {1,2,3} 写 vector。正解:花括号是 PG 数组格式,vector 用方括号。
  • 误区:把 JSON 数组直接塞进 vector 列。正解:需要按字面量格式转换或显式转型。

追问

  • 问:分量里能不能写科学计数法?答:浮点字面量支持常见实数写法,最终按 real 解析,极端大数需确认是否超出范围。
  • 问:空向量怎么写?答:维度由列定义决定,零向量是全零分量,不是空串;NULL 是另一回事。

05.6.2.1-012 为什么向量元素不允许 NaN 或 Infinity?

频率 ★★☆☆☆ | 难度 基础

一句话结论

距离计算依赖可比较的有限实数,NaN、Infinity 无法形成稳定的距离顺序,pgvector 在写入侧就拒绝这类分量。

概念解释

  • 有限性约束:所有分量必须是有限浮点数。
  • 原因:ANN 索引与距离排序需要确定的大小关系,非有限值会破坏图结构与聚类分配。
  • 排查方向:上游 Embedding 产出异常、除零、日志溢出等问题会带入非有限值。

原理流程

上游模型/归一化产出向量
   ↓ 写入校验
出现 NaN / Infinity → 拒绝写入
   ↓ 修复
清洗上游数值 → 重新生成向量

代码 / 命令

-- 排查存量数据:结合数组/向量函数定位非有限分量(具体函数名以版本参考为准)
-- 验证方式:抽样 SELECT 向量字段,检查是否含异常分量

常见误区

  • 误区:非有限值会在查询时被忽略。正解:写入阶段即被拒绝,问题要在上游生成链路解决。
  • 误区:半精度不会溢出。正解:float16 范围更窄,极大值更容易转为 Infinity,需注意模型输出尺度。

追问

  • 问:归一化后还会出现非有限值吗?答:模长为零的向量做归一化会产生除零,应先排除零向量再归一化。
  • 问:怎么在写入前兜底?答:应用层校验分量有限性,异常样本记录到死信或重试队列,不直接入库。

05.6.2.1-013 同一列能不能混存不同维度的向量?

频率 ★★★★☆ | 难度 基础

一句话结论

列定义为 vector(n) 时不能混存;去掉维度括号写成 vector 可以混存不同维度,但建索引与查询需要显式转型和维度过滤。

概念解释

  • 带维度:类型层强制分量数相等,索引可直接使用。
  • 不带维度:允许异构维度,适合一张表存放多个模型的向量。
  • 代价:不同维度向量之间不能直接比较,检索必须限定到同一模型/维度子集。

原理流程

单模型场景 → vector(D),强约束
多模型场景 → vector 无维度 + model_id 列区分
   ↓ 检索
WHERE model_id = 123 AND embedding::vector(D) <=> q LIMIT k

代码 / 命令

CREATE TABLE embeddings (
  model_id bigint,
  item_id bigint,
  embedding vector,
  PRIMARY KEY (model_id, item_id)
);
-- 部分索引按模型维度建(表达式索引)
CREATE INDEX ON embeddings USING hnsw ((embedding::vector(3)) vector_l2_ops)
WHERE model_id = 123;

常见误区

  • 误区:异构维度列上直接建普通向量索引。正解:需用表达式索引转型到固定维度,并配合 WHERE 限定模型。
  • 误区:不同维度向量可以互相算距离。正解:距离运算要求维度一致,跨维度比较无意义。

追问

  • 问:多模型混存怎么防止串召回?答:查询必须带 model_id 等过滤条件,索引也按模型或维度裁剪。
  • 问:CHECK 约束能限制维度吗?答:可以用 vector_dims(embedding) = D 做行级校验,异构表则按模型分组约束。

05.6.2.1-014 向量列能不能设默认值,NULL 向量会发生什么?

频率 ★★★☆☆ | 难度 基础

一句话结论

向量列可以为 NULL,但 NULL 向量不会进入向量索引;不要给向量列设全零默认值冒充有效向量。

概念解释

  • NULL 语义:行存在但向量尚未生成,检索时被索引跳过。
  • 默认值:可定义列默认 NULL;全零默认向量在余弦距离下属于特殊处理对象,不应作为占位。
  • 业务设计:先写业务行、异步生成向量回填,是常见的 NULL 过渡模式。

原理流程

业务行先入库(embedding NULL)
   ↓ 异步任务生成向量并 UPDATE 回填
   ↓ 索引构建/更新后该行才参与检索
NULL 行 → 不进向量索引 → 近邻查询不会命中

代码 / 命令

ALTER TABLE items ADD COLUMN embedding vector(1536);
-- 回填完成前,检索语句应过滤未生成向量的行
SELECT * FROM items WHERE embedding IS NOT NULL
ORDER BY embedding <=> q LIMIT 5;

常见误区

  • 误区:NULL 向量参与距离计算返回 0。正解:NULL 在比较中结果为 NULL,不会作为近邻命中。
  • 误区:用全零向量当默认占位。正解:零向量在余弦距离下无方向意义,且可能被索引排除,应保持 NULL 待回填。

追问

  • 问:回填期间查到旧行怎么办?答:业务上区分“已入库”与“可检索”状态,检索接口过滤 NULL 行。
  • 问:零向量为什么余弦检索要特别注意?答:余弦方向不可定义,官方文档明确零向量在余弦距离下不被索引,入库前应清洗。

05.6.2.1-015 升级 pgvector 扩展版本怎么做,要注意什么?

频率 ★★★★☆ | 难度 进阶

一句话结论

操作系统层先装好新版本扩展包,再在数据库内 ALTER EXTENSION vector UPDATE;,升级前备份并核对索引兼容性。

概念解释

  • 两步:包升级(共享库与 control 文件)+ SQL 扩展版本升级。
  • 兼容性:新版本可能新增算子、函数或索引行为,旧索引不一定自动获得新特性。
  • 回滚:保留旧版本包与备份,升级失败可按备份恢复。

原理流程

核对变更说明与兼容矩阵 → 备份 → 安装新扩展包
   ↓
ALTER EXTENSION vector UPDATE;
   ↓ 回归
写入 / 检索 / 索引 / 抽样召回 → 必要时重建索引

代码 / 命令

ALTER EXTENSION vector UPDATE;
-- 查看升级后版本
SELECT extversion FROM pg_extension WHERE extname = 'vector';

常见误区

  • 误区:只换共享库就完成升级。正解:还需 SQL 层 ALTER EXTENSION 更新注册版本。
  • 误区:升级后旧索引天然支持全部新特性。正解:涉及索引结构变化时可能需要 REINDEX 重建。

追问

  • 问:升级后索引要不要重建?答:先跑抽样检索对比召回;若版本变更涉及索引实现或新增参数,按官方说明评估重建。
  • 问:多数据库实例都要升级吗?答:每个装了扩展的数据库都要执行 SQL 升级,实例级包更新也要逐台处理。

05.6.2.1-016 维度上限怎么理解:存储上限与索引上限是一回事吗?

频率 ★★★★☆ | 难度 进阶

一句话结论

类型可存储的维度上限与索引可用的维度上限不是同一数值;建索引前必须按目标类型的索引维度上限核对,超出时要换类型或降维。

概念解释

  • 存储上限:类型参考中给出的最大维度,超出无法写入。
  • 索引上限:HNSW / IVFFlat 对可索引维度另有约束,不同类型数值不同。
  • 核对方式:以官方 README 类型参考与索引章节为准,本页不背具体数值作为无条件结论。

原理流程

确认模型维度 D
   ↓ 核对目标类型:能否写入?能否建索引?
超索引上限 → halfvec / bit 量化 / 子向量 / 降维

代码 / 命令

-- 待确认:各版本类型与索引的维度上限以官方文档为准
-- 验证方式:查 https://github.com/pgvector/pgvector 类型参考与索引章节
-- 或在实例上尝试建索引,读取版本相关报错信息

常见误区

  • 误区:能写入就能建索引。正解:存储通过不代表索引支持该维度,需要分别核对。
  • 误区:上限在所有版本一致。正解:不同版本放开的上限不同,升级后要重新核对。

追问

  • 问:高维模型(如几千维)怎么落地?答:可走 halfvec 索引、二值量化 + 重打分、子向量索引或先做降维,再按召回选方案。
  • 问:维度上限报错长什么样?答:建索引或写入时会提示维度超出限制,记录报错中的类型与维度值,对照文档定位。

05.6.2.1-017 vector 与 halfvec 在生产中怎么选?

频率 ★★★★★ | 难度 进阶

一句话结论

数据量小、追求精度用 vector;大规模、内存与磁盘吃紧时优先 halfvec,并用真实查询集对比召回达标后再切换。

概念解释

  • vector:float32,精度完整,向量本体与索引更大。
  • halfvec:float16,体积减半,精度略降,数值极端时可能损失。
  • 折中:原始列保留 vector,表达式索引用 halfvec,兼顾回放与检索体积。

原理流程

统计行数、维度、内存占用
   ↓ 抽查询集分别跑 vector / halfvec
对比 recall@k 与 P99 → 达标选 halfvec,不达标保留 vector

代码 / 命令

-- 列直接用 halfvec
embedding halfvec(1536)
-- 或表达式索引降精度,查询表达式同步转型
CREATE INDEX ON items USING hnsw ((embedding::halfvec(1536)) halfvec_cosine_ops);

常见误区

  • 误区:halfvec 一定更慢。正解:体积小带来更好的缓存命中,延迟可能改善;代价是精度与转换开销。
  • 误区:切换类型不用改查询。正解:列类型或表达式索引变了,查询侧的算子转型必须一致,否则不走索引。

追问

  • 问:halfvec 精度损失怎么量化?答:用固定标注查询集对比两种类型的 recall@k 与 top-k 重合度,差值在业务容忍范围内再上线。
  • 问:什么场景不要用 halfvec?答:向量参与后续数值计算、分量模长差异极大、或对精度有严格要求时保留 float32。

05.6.2.1-018 dense vector 与 sparsevec 怎么选?

频率 ★★★☆☆ | 难度 进阶

一句话结论

非零分量占比高用 dense 类型,非零占比很低(如高维稀疏特征)才用 sparsevec;稀疏格式带有下标元信息,过密反而不划算。

概念解释

  • dense:所有分量都存储,计算连续、简单。
  • sparsevec:只存非零下标与值,适合天然稀疏的特征向量。
  • 判断依据:非零比例、维度规模、距离度量是否兼容。

原理流程

统计非零分量占比
   ↓ 稀疏且高维 → sparsevec;稠密 → vector/halfvec
分别估算存储与检索延迟 → 抽样对比

代码 / 命令

-- sparsevec 字面量:{下标:值,...}/维度,下标从 1 开始
'{1:1.2, 8:0.7, 20:3.1}/64'

常见误区

  • 误区:稀疏格式一定省空间。正解:非零分量多时,每个非零元素的元信息开销会超过连续 dense 存储。
  • 误区:Embedding 模型输出通常是稀疏的。正解:多数语义 Embedding 是稠密浮点向量,sparsevec 更多用于稀疏特征工程场景。

追问

  • 问:sparsevec 支持哪些索引 ops?答:按距离对应 sparsevec_l2_ops、sparsevec_ip_ops、sparsevec_cosine_ops 等,以官方参考为准。
  • 问:稀疏与稠密向量能混在一张表比较吗?答:不能直接算距离,需分类型存储或显式转换。

05.6.2.1-019 bit 二值向量在检索链路里扮演什么角色?

频率 ★★★☆☆ | 难度 进阶

一句话结论

bit 通常作为二值量化索引层,先用 Hamming 距离快速粗筛,再用原始浮点向量重打分,换取小索引体积与快检索。

概念解释

  • 量化来源:binary_quantize 按符号位把 float 向量压成 0/1 串。
  • 定位:粗召回层,不直接作为最终排序依据。
  • 配套:保留原始 vector/halfvec 列做重打分,保证召回质量。

原理流程

浮点向量 → 写入原始列 + 生成 bit 表达式列/索引
   ↓ 查询
bit 索引粗筛候选 → 取回原始向量 → 浮点距离重打分 → TopK

代码 / 命令

CREATE INDEX ON items USING hnsw ((binary_quantize(embedding)::bit(1536)) bit_hamming_ops);
SELECT id, embedding <=> q AS distance
FROM items ORDER BY binary_quantize(embedding)::bit(1536) <~> binary_quantize(q) LIMIT 50;
-- 上一步候选再按浮点距离重排

常见误区

  • 误区:bit 结果直接当最终相似度。正解:二值只保留方向符号信息,必须浮点重打分兜底。
  • 误区:量化后不需要存原始向量。正解:没有原始列就无法重打分,召回会明显下降。

追问

  • 问:Jaccard 与 Hamming 什么时候用?答:Hamming 看不同位数,Jaccard 看重合比例;按业务对零位/一位的关注程度选择。
  • 问:二值量化召回掉多少?答:取决于向量分布,必须用真实查询集量化,不能凭经验声称无损。

05.6.2.1-020 余弦距离、内积与归一化之间是什么关系?

频率 ★★★★★ | 难度 进阶

一句话结论

余弦只看方向、不受模长影响;内积同时受方向与模长影响;需要用内积做近邻排序时,先把向量归一化到单位模长,内积排序才等价于余弦方向排序。

概念解释

  • 余弦距离:基于夹角,模长缩放不改变结果。
  • 内积:方向相近且模长大的向量内积更大,受模长干扰。
  • 归一化:l2_normalize 把向量缩成单位长度,消除模长影响。

原理流程

向量生成 → 可选 l2_normalize
   ↓ 度量选择
方向匹配 → 余弦 <=>;归一化后内积 <#> 也可用于方向匹配
未归一化内积 → 模长大的样本被系统性抬高

代码 / 命令

-- 入库前归一化(函数名以官方版本参考为准)
SELECT l2_normalize('[3,4]');
-- 查询侧:余弦直接比较;内积排序建议两侧都已归一化

常见误区

  • 误区:余弦检索必须先归一化。正解:余弦距离本身对模长不敏感,归一化不是必需;内积检索才通常需要。
  • 误区:归一化改变向量语义方向。正解:归一化只缩放模长,方向不变。

追问

  • 问:在应用侧归一化还是数据库侧?答:建议在生成向量后、写入前在应用侧统一归一化,避免每条查询重复计算;数据库侧可用函数校验。
  • 问:归一化后零向量怎么办?答:模长为零无法归一化,应在入库前识别并剔除或标记。

05.6.2.1-021 l2_normalize 什么时候用,作用在写入还是查询?

频率 ★★★★☆ | 难度 进阶

一句话结论

归一化应尽量在写入前完成一次并持久化;查询向量用同一规则归一化,避免检索时每条重复计算造成 CPU 浪费。

概念解释

  • 写入侧:归一化结果落库,后续检索直接使用。
  • 查询侧:查询向量必须与库内向量同一归一化规则,否则度量不一致。
  • 函数:l2_normalize 对向量做欧氏归一化;函数可用性以版本参考为准。

原理流程

生成 embedding → 应用侧归一化 → 入库
   ↓ 查询
对 query 做同样归一化 → 再算内积/余弦距离

代码 / 命令

-- 数据库侧校验或回填示例(按实际表结构调整)
UPDATE items SET embedding = l2_normalize(embedding)
WHERE embedding IS NOT NULL;

常见误区

  • 误区:每次查询临时归一化就行。正解:查询侧重复归一化增加延迟,库内未归一化还会导致内积排序失真。
  • 误区:归一化可以消除异常分量。正解:它只缩放模长,NaN/Infinity 与零向量仍需单独处理。

追问

  • 问:存量数据要补归一化怎么做?答:低峰分批 UPDATE,先小批验证数值与召回,避免一次性长事务锁表。
  • 问:归一化后还能保留原始模长信息吗?答:模长信息被丢弃,业务需要模长时应另存一列标量。

05.6.2.1-022 运算符类(ops)与距离算子为什么必须匹配?

频率 ★★★★★ | 难度 进阶

一句话结论

索引按某一种距离度量构建邻接关系,ops 类决定索引服务哪个算子;查询用的算子必须与索引 ops 一致,否则计划只能走顺序扫描。

概念解释

  • 匹配关系:vector_l2_ops 配 <->,vector_ip_ops 配 <#>,vector_cosine_ops 配 <=>,vector_l1_ops 配 <+>,bit 类配 <~> / <%>。
  • 原理:不同度量下的“近邻”邻接结构不同,索引不能跨度量复用。
  • 现象:ops 与算子不匹配时,查询不命中该索引,退化为全表距离计算。

原理流程

确定度量 → 选算子 → 建索引选同名 ops 类
   ↓ 查询
ORDER BY 列 <对应算子> q → 计划走该索引
算子不匹配 → 索引不被使用

代码 / 命令

CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);
-- 匹配查询
SELECT * FROM items ORDER BY embedding <=> q LIMIT 5;
-- 不匹配示例:cosine 索引无法服务 <#> 内积排序

常见误区

  • 误区:一个索引能同时支持余弦和内积。正解:每个距离函数需要单独建索引。
  • 误区:ops 类名字可以简写或混用。正解:必须用与类型、度量完全对应的 ops 名称。

追问

  • 问:halfvec 的 ops 类怎么写?答:前缀替换为 halfvec_,如 halfvec_cosine_ops;sparsevec 同理替换前缀。
  • 问:怎么核对现有索引服务哪个算子?答:查索引定义中的 opclass 名称,对照算子表即可。

05.6.2.1-023 一个表上为什么常常要建多个向量索引?

频率 ★★★★☆ | 难度 进阶

一句话结论

每种距离度量对应独立索引;业务同时用余弦粗排、内积召回或不同类型粗筛时,需要为每个度量各建一个索引,写入与构建成本随之叠加。

概念解释

  • 一度量一索引:L2、内积、余弦各自需要 ops 匹配的索引。
  • 多级检索:bit 粗筛索引 + 浮点重打分索引可能并存。
  • 成本:索引越多,构建时间、写入维护与磁盘占用越高。

原理流程

梳理线上实际使用的距离算子与检索路径
   → 为每个真实使用的度量建索引
   → 评估索引数量对写入吞吐与磁盘的影响

代码 / 命令

CREATE INDEX idx_items_cos ON items USING hnsw (embedding vector_cosine_ops);
CREATE INDEX idx_items_ip  ON items USING hnsw (embedding vector_ip_ops);
-- 只建业务真正用到的度量,避免为不确定的未来提前堆索引

常见误区

  • 误区:把所有度量索引都建上以备不时之需。正解:未使用的索引只增加写入与存储负担,应按线上查询规划。
  • 误区:多个索引共享一份图结构。正解:HNSW 每个索引各自维护图,互不共享。

追问

  • 问:多索引怎么评估收益?答:用 pg_stat_user_indexes 查看各索引扫描次数,长期零扫描的索引考虑下线。
  • 问:写入瓶颈和索引数量有关吗?答:每次插入都要维护全部索引,索引越多单行写入越慢。

05.6.2.1-024 向量类型与 PostgreSQL 数组怎么互转?

频率 ★★★☆☆ | 难度 进阶

一句话结论

vector 与 real[] / double precision[] 之间可通过显式转型或数组函数互转;跨类型比较前必须先统一到同一向量类型与维度。

概念解释

  • 数组兜底:高精度场景可用 double precision[] 存原始值,检索时再转型为 vector 建表达式索引。
  • 转型位置:写入、索引表达式、查询三处必须一致。
  • 函数:vector_dims 查维度,距离函数可在转型后调用。

原理流程

数组列 → 转型 ::vector(D) → 建表达式索引
   ↓ 查询
WHERE 条件过滤 → 表达式转型后 ORDER BY 距离

代码 / 命令

CREATE TABLE items (id bigserial PRIMARY KEY, embedding double precision[]);
INSERT INTO items (embedding) VALUES ('{1,2,3}');
CREATE INDEX ON items USING hnsw ((embedding::vector(3)) vector_l2_ops);

常见误区

  • 误区:数组上直接建向量索引。正解:索引表达式必须显式转型为向量类型并指定维度。
  • 误区:数组字面量与 vector 字面量格式相同。正解:数组用花括号逗号列表,vector 用方括号。

追问

  • 问:数组存向量有什么好处与代价?答:精度更高、类型更通用,但距离计算无法直接走原生向量索引,需表达式索引且写入更重。
  • 问:转型失败的常见原因?答:分量数不符、含非有限值、数组元素类型无法隐式转换。

05.6.2.1-025 COPY 怎么批量导入向量,格式上要注意什么?

频率 ★★★★★ | 难度 进阶

一句话结论

COPY 批量导入时向量按字面量格式放在字段中(vector 用方括号列表),大批量数据先导入再建索引,比逐行 INSERT 快得多。

概念解释

  • 格式:COPY 字段与普通列一致,向量字段值是可被解析的字面量字符串。
  • 顺序建议:先灌数据,后建索引,避免索引随插入逐行维护。
  • 校验:导入后核对行数、维度分布与 NULL 比例。

原理流程

生成数据文件(向量字段为字面量)
   ↓ COPY 入表
COPY items (id, embedding) FROM 'data.csv' WITH (FORMAT csv)
   ↓ 校验行数与抽样 → 再建向量索引

代码 / 命令

COPY items (id, embedding) FROM '/path/to/items.csv' WITH (FORMAT csv, HEADER false);
-- 注意:脚本与文档中引用路径按项目规范书写;服务器侧 COPY 的文件路径需服务端可读

常见误区

  • 误区:COPY 进去的向量自动进入 ANN 索引。正解:索引在导入后创建或维护,未建索引前是精确扫描。
  • 误区:CSV 里向量可以是 JSON 数组。正解:字段值必须是向量类型可解析的字面量,JSON 数组需先转换。

追问

  • 问:从应用层批量导入用什么方式?答:批量 INSERT 或驱动的批量复制能力(具体 API 以驱动版本为准),大批量优先 COPY 思路。
  • 问:导入中途维度错误怎么定位?答:COPY 报错会定位行与字段,先修文件中异常字面量,再续导并做幂等去重。

05.6.2.1-026 用数组类型存高精度向量的兜底方案怎么设计?

频率 ★★★☆☆ | 难度 进阶

一句话结论

需要高于 float32 的数值精度时,可用 double precision[] 或 numeric[] 存原始值,再用表达式索引转型到 vector 建 ANN 索引。

概念解释

  • 动机:部分 Embedding 或特征分量精度要求高于 real,原生 vector 不支持 double 列。
  • 结构:数组列存高精度原值,表达式索引承担近似检索。
  • 代价:写入与转型开销更高,索引维度受目标向量类型限制。

原理流程

高精度数组列入库
   ↓ CHECK 约束校验可转型与维度
表达式索引 (embedding::vector(D)) vector_xxx_ops
   ↓ 查询
转型后距离排序,需要高精度时回表取数组原值计算

代码 / 命令

CREATE TABLE items (
  id bigserial PRIMARY KEY,
  embedding double precision[],
  CHECK (vector_dims(embedding::vector(3)) = 3)
);

常见误区

  • 误区:数组列能直接享受向量索引。正解:必须通过表达式索引转型,且查询表达式与索引一致。
  • 误区:numeric 数组转型没有精度损失。正解:降到 float32 索引侧会损失精度,重打分需回到数组原值。

追问

  • 问:CHECK 约束写在哪里?答:建表时或 ALTER TABLE ADD CHECK,防止脏数据无法转型。
  • 问:什么场景才值得这么做?答:极少数精度敏感场景;多数语义检索 float32 足够,不必为此牺牲索引效率。

05.6.2.1-027 向量支持哪些元素级算术运算?

频率 ★★☆☆☆ | 难度 进阶

一句话结论

vector / halfvec / sparsevec 支持元素级加、减、乘、除等运算,用于向量调整与归一化前处理;具体支持的运算符以官方类型参考为准。

概念解释

  • 运算粒度:按分量对应计算,要求两侧维度一致。
  • 用途:向量平移、缩放、差值计算、批量聚合后的修正。
  • 限制:维度不同不能运算,非有限分量会被拒绝。

原理流程

两个同维向量 → 元素级 + - * /
   ↓ 结果仍为向量类型
可继续做距离计算或归一化

代码 / 命令

-- 元素级运算形态(具体可用运算符以版本参考为准)
SELECT embedding + '[1,1,1]' FROM items WHERE id = 1;

常见误区

  • 误区:向量乘法是矩阵乘法。正解:这里是元素级逐分量乘法,不是内积或矩阵乘。
  • 误区:不同维度向量可以相加。正解:元素级运算要求维度严格一致。

追问

  • 问:内积用运算符还是函数?答:距离/内积由专用算子或函数完成,元素级乘法不产生标量内积。
  • 问:运算结果精度会变化吗?答:按目标类型精度存储,halfvec 运算结果仍受半精度约束。

05.6.2.1-028 向量支持哪些聚合函数?

频率 ★★☆☆☆ | 难度 进阶

一句话结论

vector 类型支持 avg、sum 等聚合,可用于算分组平均向量;聚合结果仍是向量,可再做归一化或距离比较。

概念解释

  • 聚合范围:官方类型参考列出的聚合函数,如平均与求和;具体清单以版本文档为准。
  • 用途:按分类、簇群计算代表向量,辅助聚类与抽样。
  • 注意:聚合需要扫描分组内全部向量,成本随行数增长。

原理流程

GROUP BY 业务分组 → avg(embedding) 得组内平均向量
   ↓ l2_normalize → 作为代表向量参与距离检索

代码 / 命令

SELECT category_id, avg(embedding) AS centroid
FROM items GROUP BY category_id;

常见误区

  • 误区:平均向量可以直接当高质量代表向量。正解:平均可能抵消方向,需结合业务验证其代表性。
  • 误区:聚合能替代 ANN 索引。正解:聚合是扫描计算,不参与近邻检索路径。

追问

  • 问:聚合结果维度不一致怎么办?答:先按模型/维度分组,维度一致才能聚合。
  • 问:大表聚合怎么控成本?答:限分组范围、分批执行,避免在高峰对全表做向量聚合。

05.6.2.1-029 pgvector 能和其他 PostgreSQL 扩展共存吗?

频率 ★★★☆☆ | 难度 进阶

一句话结论

pgvector 作为标准扩展可与 uuid、JSONB、PostGIS 等常用扩展在同一库共存,冲突主要来自共享库版本、类型名或资源争抢,而非功能互斥。

概念解释

  • 共存基础:各扩展注册独立类型、函数与运算符,命名空间通过 schema 隔离。
  • 风险点:同一 PG 大版本下扩展包要匹配;类型名或函数签名冲突时需检查 schema 搜索路径。
  • 资源:向量索引吃内存与 CPU,与重计算扩展混部需评估资源争抢。

原理流程

核对各扩展对 PG 版本的要求
   ↓ 分别 CREATE EXTENSION
   ↓ 校验类型/函数可解析,观察资源占用

代码 / 命令

SELECT e.extname, e.extversion, n.nspname
FROM pg_extension e JOIN pg_namespace n ON e.extnamespace = n.oid;

常见误区

  • 误区:装了 PostGIS 就不能装 pgvector。正解:二者类型体系独立,可共存。
  • 误区:扩展互不影响资源。正解:向量索引构建与检索会抢占内存与 CPU,混部需压测。

追问

  • 问:函数名冲突怎么排查?答:查 pg_proc 与搜索路径,确认函数解析到哪个 schema。
  • 问:升级 PG 大版本时扩展要注意什么?答:所有扩展都要有对应新版本,先在预发回归向量写入与检索。

05.6.2.1-030 创建扩展需要什么权限,能不能限制到指定 schema?

频率 ★★★☆☆ | 难度 进阶

一句话结论

默认情况下创建扩展需要高权限角色;可在 CREATE EXTENSION 时用 SCHEMA 指定对象归属,普通业务角色只授予使用所需的 USAGE 与表级权限。

概念解释

  • 权限模型:扩展安装属于 DDL,受 PG 角色与扩展 trusted 标记约束;pgvector 是否可由非超级用户安装,以安装包版本与官方说明为准。
  • schema 归属:扩展类型、函数落在指定 schema,配合搜索路径使用。
  • 最小权限:业务账号不承担建扩展职责,只持有表的 SELECT/INSERT/UPDATE。

原理流程

DBA 安装扩展到指定 schema
   ↓ 业务角色授予表级 DML 权限
应用账号连接 → 按搜索路径解析向量类型与函数

代码 / 命令

CREATE EXTENSION IF NOT EXISTS vector SCHEMA extensions;
GRANT USAGE ON SCHEMA extensions TO app_role;
GRANT SELECT, INSERT, UPDATE ON items TO app_role;

常见误区

  • 误区:应用账号应该拥有建扩展权限。正解:扩展安装是 DBA 职责,应用账号保持最小权限。
  • 误区:扩展装在 public 就所有用户可见。正解:类型函数可见性仍受 schema 权限与搜索路径控制。

追问

  • 问:怎么判断扩展是否为 trusted?答:查扩展 control 文件中 trusted 标记与官方文档;非 trusted 扩展只能由高权限角色安装。
  • 问:搜索路径找不到向量类型怎么办?答:把扩展 schema 加入角色 search_path,或在类型名前带 schema 限定。

05.6.2.1-031 能不能在显式事务里 CREATE EXTENSION?

频率 ★★★☆☆ | 难度 进阶

一句话结论

pgvector 的安装脚本通常可在事务中执行,便于迁移工具把建扩展纳入事务回滚;个别扩展或特定 DDL 不支持事务,以官方说明为准。

概念解释

  • 事务语义:DDL 在 PG 中多数可回滚,扩展安装脚本若纯 SQL 且无不可回滚步骤,可随事务提交或回滚。
  • 迁移工具:ORM 迁移脚本在事务中执行建扩展与建表,失败可整体回滚。
  • 边界:操作系统层安装共享库不在数据库事务内,必须先完成。

原理流程

操作系统层扩展包已就绪
   ↓ BEGIN
CREATE EXTENSION ...; CREATE TABLE ...;
   ↓ COMMIT / ROLLBACK

代码 / 命令

BEGIN;
CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
COMMIT;

常见误区

  • 误区:数据库事务能回滚操作系统层安装。正解:共享库与 control 文件的安装不在事务内。
  • 误区:所有扩展都能事务内安装。正解:含不可回滚操作的扩展不行,需逐个核对文档。

追问

  • 问:迁移工具自动建扩展失败怎么办?答:先确认扩展包已安装、账号有权限,再重试;已部分提交的对象按迁移记录清理。
  • 问:生产环境建扩展要不要单独窗口?答:建扩展本身很轻,但后续建表建索引可能锁表,DDL 节奏按并发写入评估。

05.6.2.1-032 更换 Embedding 模型时,建表与存量数据有哪些坑?

频率 ★★★★★ | 难度 进阶

一句话结论

换模型通常意味着维度与向量分布同时变化,新旧向量不能混在同一带维度列直接检索;需要新列或新表承接,双写回填后再切换,不能原地改维度。

概念解释

  • 维度变化:旧列 vector(旧维度) 无法直接写入新维度向量。
  • 分布变化:不同模型向量不可互相比较,混存会造成错误召回。
  • 迁移方式:新增向量列或新表,回填全量,校验召回后切读路径。

原理流程

新模型确定维度 D2 → 新增 embedding_v2 vector(D2)
   ↓ 双写:新数据同时写新旧列
回填旧数据 → 影子读对比 → 切流 → 下线旧列

代码 / 命令

ALTER TABLE items ADD COLUMN embedding_v2 vector(768);
-- 回填后按模型过滤检索
SELECT * FROM items WHERE embedding_v2 IS NOT NULL
ORDER BY embedding_v2 <=> q_v2 LIMIT 5;

常见误区

  • 误区:把旧列维度改大就能兼容新模型。正解:维度不匹配只是表象,向量分布不同才是硬伤,新旧不可混比。
  • 误区:只切换查询用新向量,旧数据不回填。正解:未回填行搜不到新模型结果,召回覆盖不全。

追问

  • 问:回填期间怎么保证一致性?答:新写入双写,存量分批回填,按主键对账差异后补齐。
  • 问:怎么验证新模型检索质量?答:固定查询集对比新旧模型的 recall 与人工相关性,达标再切流。

05.6.2.1-033 怎么用 CHECK 约束校验向量维度与有效性?

频率 ★★★☆☆ | 难度 进阶

一句话结论

用 vector_dims 配合 CHECK 约束在表级强制维度一致,避免脏数据导致转型失败或索引构建异常。

概念解释

  • 维度校验:vector_dims(embedding) = D。
  • 适用:带维度列或数组兜底列的转型前校验。
  • 作用:把问题挡在写入侧,减少建索引时的批量报错。

原理流程

建表定义向量列
   ↓ ADD CHECK
vector_dims(embedding) = D
   ↓ 写入违反约束 → 拒绝并定位异常行

代码 / 命令

ALTER TABLE items ADD CHECK (vector_dims(embedding) = 1536);
-- 数组兜底列示例
ALTER TABLE items ADD CHECK (vector_dims(embedding::vector(3)) = 3);

常见误区

  • 误区:CHECK 能校验向量语义正确性。正解:它只校验结构(维度、可转型),不判断向量是否由正确模型产出。
  • 误区:约束建在索引之后才补。正解:写入侧尽早约束,避免脏数据进入后再清理。

追问

  • 问:异构维度表怎么加约束?答:按模型分组,用 model_id + 维度条件做部分约束,或在应用层按模型校验。
  • 问:存量脏数据加约束失败怎么办?答:先统计违规行、清洗或隔离,再创建约束。

05.6.2.1-034 表达式索引把向量转型为 halfvec 或 bit 是怎么回事?

频率 ★★★★☆ | 难度 进阶

一句话结论

表达式索引不在列上直接建索引,而是对 (embedding::halfvec(D)) 或 binary_quantize(embedding)::bit(D) 这类表达式建索引;查询必须复用同一表达式才能命中。

概念解释

  • 用途:原始列保留高精度,索引侧降精度或二值化以压缩体积。
  • 一致性:索引表达式与查询表达式必须逐字对应(类型、函数、维度)。
  • 限制:表达式索引不能服务其他写法的查询。

原理流程

原始 vector 列
   ↓ 表达式:转型/量化
CREATE INDEX ... USING hnsw ((表达式) ops)
   ↓ 查询
ORDER BY 同一表达式 <算子> q LIMIT k

代码 / 命令

CREATE INDEX ON items USING hnsw (
  (embedding::halfvec(1536)) halfvec_l2_ops
);
SELECT * FROM items
ORDER BY embedding::halfvec(1536) <-> '[...]' LIMIT 5;

常见误区

  • 误区:查询直接用原始列排序也能命中表达式索引。正解:表达式不匹配,计划不会使用该索引。
  • 误区:表达式索引自动随列类型更新。正解:表达式定义固定,原始列模型或维度变更后需重建索引。

追问

  • 问:子向量索引是什么思路?答:用 subvector 取部分分量建索引,适用于模型支持子向量检索的场景,表达式同样需在查询侧复用。
  • 问:表达式索引占用怎么估?答:按索引侧类型(halfvec/bit)的存储与索引放大估算,可用 pg_relation_size 实测。

05.6.2.1-035 零向量在余弦距离下为什么要特别处理?

频率 ★★★☆☆ | 难度 进阶

一句话结论

零向量模长为零,余弦方向不可定义,官方明确零向量在余弦距离下不被索引;入库前应识别并剔除或单独标记。

概念解释

  • 问题本质:余弦夹角需要非零模长,零向量无方向。
  • 索引表现:零向量不进入余弦索引,检索覆盖出现空洞。
  • 产生来源:上游 Embedding 异常、文本为空、归一化除零。

原理流程

生成向量 → 检查模长 vector_norm
   ↓ 模长为零 → 标记/剔除,不进入余弦索引列
正常向量 → 入库并参与索引

代码 / 命令

-- 模长检查(函数名以版本参考为准)
SELECT id, vector_norm(embedding) FROM items
WHERE embedding IS NOT NULL AND vector_norm(embedding) = 0;

常见误区

  • 误区:零向量余弦距离算出来是 0 或 1。正解:方向不可定义,行为受索引排除规则影响,不能当作有效近邻。
  • 误区:L2 检索下零向量也有问题。正解:L2 距离可计算,零向量只是一个普通坐标点;问题集中在余弦与归一化场景。

追问

  • 问:空文本生成的向量怎么处理?答:在切分与 Embedding 环节过滤空片段,不要让空文本产生向量入库。
  • 问:存量零向量怎么清理?答:扫描模长为零的行,重新生成或标记删除,再评估是否需要重建索引。

05.6.2.1-036 一张表存放多个模型的向量,schema 怎么设计?

频率 ★★★★☆ | 难度 高级

一句话结论

多模型混存用「模型标识列 + 无维度 vector 列 + 按模型的部分表达式索引」,检索强制带模型过滤,避免跨模型串召回。

概念解释

  • 标识列:model_id 区分不同 Embedding 模型及其维度。
  • 列设计:embedding vector 不带维度,配合模型分组使用。
  • 索引:按模型或维度建部分索引,查询表达式与之一致。

原理流程

model_id + item_id 联合主键
   ↓ embedding vector 存对应模型向量
部分索引:WHERE model_id = X AND embedding::vector(Dx) ...
   ↓ 检索
WHERE model_id = X ORDER BY embedding::vector(Dx) <=> q LIMIT k

代码 / 命令

CREATE INDEX ON embeddings USING hnsw (
  (embedding::vector(768)) vector_cosine_ops
) WHERE model_id = 123;

常见误区

  • 误区:所有模型共用一个带维度索引。正解:维度与分布不同,必须按模型分索引或分表。
  • 误区:不加模型过滤也安全。正解:跨模型向量距离无意义,必须在 WHERE 中强制限定。

追问

  • 问:模型数量很多时部分索引会不会碎片化?答:索引数量随模型增长,大模型独立分表更可控;小模型可共享表加部分索引。
  • 问:模型下线后索引怎么处理?答:先下线查询,再删除对应部分索引与历史向量,避免无效索引负担写入。

05.6.2.1-037 维度超过索引可用上限时,有哪几条可行路径?

频率 ★★★★☆ | 难度 高级

一句话结论

高维向量可走 halfvec 索引、二值量化加浮点重打分、子向量索引或先做降维;每条路径都要在召回与体积之间用真实查询集验证。

概念解释

  • halfvec:放宽索引维度上限并减半体积,精度略降。
  • 二值量化:压到 bit 粗筛,原始向量重打分。
  • 子向量 / 降维:取部分分量或投影到低维空间,牺牲部分信息。
  • 边界:各路径支持的维度上限随版本变化,以官方文档为准。

原理流程

模型维度 D → 核对目标类型索引上限
   超上限 → 对比 halfvec / bit 量化 / subvector / PCA 类降维
   ↓ 固定查询集测 recall@k 与延迟 → 选达标方案

代码 / 命令

-- 子向量表达式索引(函数与参数以官方参考为准)
CREATE INDEX ON items USING hnsw (
  (subvector(embedding, 1, 256)::vector(256)) vector_cosine_ops
);

常见误区

  • 误区:截断前若干维就是合理降维。正解:简单截断破坏语义分布,应使用有训练的降维或模型自带低维输出。
  • 误区:量化方案上线前不用验证召回。正解:二值与半精度都需 recall 对比,不达标要加重打分或回退。

追问

  • 问:降维后旧向量怎么办?答:新维度空间必须全量重算,新旧向量不可混用。
  • 问:哪条路径体积最小?答:bit 二值量化体积最小,但召回损失也最大,通常配浮点重打分兜底。

05.6.2.1-038 类型转换在写入与查询路径上分别有什么开销?

频率 ★★★☆☆ | 难度 高级

一句话结论

写入侧转型只发生一次并固化存储;查询侧每次扫描都要重复转型,表达式索引虽预计算了部分结构,但表达式不匹配时会退化为逐行转型与距离计算。

概念解释

  • 写入路径:数组/字符串到向量的解析与校验,成本在行创建时一次性发生。
  • 查询路径:未走索引时逐行转型、算距离;走表达式索引时转型逻辑被索引表达式覆盖。
  • 观测:EXPLAIN ANALYZE 中可看到函数调用与过滤节点的实际耗时。

原理流程

写入:字符串/数组 → 解析校验 → 存储向量
查询:命中表达式索引 → 索引内排序
   ↓ 未命中
逐行转型 → 逐行距离计算 → 排序 LIMIT

代码 / 命令

EXPLAIN (ANALYZE, BUFFERS)
SELECT * FROM items ORDER BY embedding::halfvec(3) <-> q LIMIT 5;

常见误区

  • 误区:表达式索引让查询不再需要转型。正解:索引固化的是表达式结果,查询表达式仍要写成一致形式。
  • 误区:转型开销可以忽略不计。正解:高维向量逐行转型叠加距离计算,在大表顺序扫描下是显著 CPU 开销。

追问

  • 问:怎么判断慢在转型还是距离计算?答:看执行计划中节点耗时与实际行数,必要时对比去掉转型、直接用原生类型的查询。
  • 问:写入侧怎么降低转换成本?答:应用层直接产出数据库可解析的向量字面量或驱动类型,避免入库后再批量转型。

05.6.2.1-039 sparsevec 下标从 1 开始,迁移时容易踩什么坑?

频率 ★★☆☆☆ | 难度 高级

一句话结论

sparsevec 下标与 SQL 数组一致从 1 开始,而多数编程语言数组从 0 开始;迁移时整体下标偏移错误会导致向量语义错位且不易被立即发现。

概念解释

  • 偏移规则:字面量中 {1:v,...}/D 的 1 对应第一个分量。
  • 风险:0 起下标直接搬运后,每个非零分量错位一位,距离结果错误。
  • 校验:迁移后抽样对照原始数组,确认下标与取值对应。

原理流程

0 起稀疏数组 → 下标 +1 拼接 sparsevec 字面量
   ↓ 入库
抽样与原始数组逐位核对 → 再建索引

代码 / 命令

-- 0 起:arr[0]=1.2 → sparsevec 下标 1
'{1:1.2, 4:0.7}/64'

常见误区

  • 误区:下标可以保留 0。正解:sparsevec 下标从 1 起,0 下标不符合格式约定。
  • 误区:错位一位对检索影响很小。正解:分量错位改变向量方向,余弦/L2 结果都会偏差。

追问

  • 问:怎么批量校验下标正确性?答:导出少量样本反解为数组,与上游原始数组比对非零下标与取值。
  • 问:维度 D 写在斜杠后有什么用?答:声明向量总维度,缺失或不符会导致解析或索引异常。

05.6.2.1-040 向量列与业务列要不要拆成两张表?

频率 ★★★☆☆ | 难度 高级

一句话结论

向量体积大、更新模式与业务列不同时,可把向量列拆到独立关联表,按业务主键关联;需要同行过滤检索时再评估反范式存放。

概念解释

  • 拆分理由:向量占空间大,业务行频繁 UPDATE 会放大表膨胀;分表后向量表可独立 vacuum 与索引。
  • 关联方式:业务主键一一对应,检索命中后回表取业务字段。
  • 代价:多一次 JOIN 或回表,过滤条件需要能下推到向量表。

原理流程

业务表(标量字段) 1 — 1 向量表(embedding + 外键)
   ↓ 检索
向量表近邻 → 按主键 JOIN 业务表取字段

代码 / 命令

CREATE TABLE item_embedding (
  item_id bigint PRIMARY KEY REFERENCES items(id),
  embedding vector(1536)
);

常见误区

  • 误区:拆表后过滤条件可以直接写在向量表。正解:标量过滤字段在业务表时,需要 JOIN 后过滤,执行计划要验证。
  • 误区:拆分一定降低成本。正解:小表或低更新场景同行存放更简单,拆分收益要看膨胀与体积实测。

追问

  • 问:一对多向量(一个文档多个 chunk)怎么存?答:向量表按 chunk 粒度存,外键关联文档,检索命中 chunk 后再聚合回文档。
  • 问:拆表后备份要注意什么?答:两张表关联一致,恢复时按同一备份时点恢复,避免主键悬空。

05.6.2.1-041 怎么查 pgvector 与 PostgreSQL 主版本的兼容情况?

频率 ★★★☆☆ | 难度 高级

一句话结论

兼容矩阵以官方仓库 README、发布说明与扩展包元数据为准;实例上先 SELECT version() 记录 PG 版本,再对照可安装的扩展版本与变更说明。

概念解释

  • 两个维度:PG 主版本兼容性、pgvector 小版本特性差异。
  • 验证顺序:文档核对 → 预发安装 → 写入/检索/索引回归。
  • 不编造:无法在文档确认的版本行为标注待确认,用实例查询验证。

原理流程

SELECT version() 记录 PG 版本
   ↓ 对照官方 README / Releases 兼容说明
   ↓ 预发环境安装并跑主链路回归

代码 / 命令

SELECT version();
SELECT extname, extversion FROM pg_extension WHERE extname = 'vector';
-- 待确认:具体兼容版本区间以官方仓库 releases 说明为准

常见误区

  • 误区:小版本之间行为完全一致。正解:算子、函数、索引参数可能在版本间新增或调整。
  • 误区:开发环境能装就能上生产。正解:生产 PG 版本、扩展包架构与资源都要单独核对。

追问

  • 问:升级 PG 大版本前要准备什么?答:确认所有扩展(含 pgvector)有适配版本,预发回归向量读写与索引,再安排升级窗口。
  • 问:实例上怎么确认扩展文件可用?答:尝试 CREATE EXTENSION 或查看共享扩展目录,报错信息会指出缺失的 control 文件或库。

05.6.2.1-042 从数组或 JSONB 回填 vector 的迁移怎么写?

频率 ★★★★☆ | 难度 高级

一句话结论

回填分批按主键区间进行,把数组/JSONB 中的分量转换为 vector 字面量或显式转型,小批提交并对账,避免一次性长事务锁表。

概念解释

  • 转换路径:数组列可直接 ::vector(D);JSONB 需要先提取分量数组再转型。
  • 分批:按主键范围或 created_at 切片,每批提交一次。
  • 校验:对比回填前后行数、NULL 比例与抽样距离结果。

原理流程

新增向量列(允许 NULL)
   ↓ 分批 UPDATE ... WHERE 主键区间
转换 → 回填 → 提交
   ↓ 对账差异 → 补齐 → 建索引

代码 / 命令

UPDATE items SET embedding = embedding_arr::vector(1536)
WHERE id BETWEEN 1 AND 1000 AND embedding IS NULL;
-- JSONB 示例需按实际结构提取数组后转型,逐批执行

常见误区

  • 误区:一条 UPDATE 全表回填。正解:大表长事务造成锁与膨胀,必须分批。
  • 误区:回填完直接切检索。正解:先抽样校验维度与数值,再建索引并对比召回。

追问

  • 问:回填期间新数据怎么保证不遗漏?答:新写入直接生成向量,回填只补历史行,最后按 NULL 扫描兜底。
  • 问:转换报错怎么处理?答:记录失败主键与原因,清洗上游数据后重试,不跳过对账。

05.6.2.1-043 数值精度在 vector、halfvec、double 数组之间怎么权衡?

频率 ★★★☆☆ | 难度 高级

一句话结论

语义检索默认 float32(vector);内存紧张用 halfvec;只有精度敏感的计算场景才用 double 数组兜底,并接受表达式索引与更高成本。

概念解释

  • float32:精度与体积平衡,Embedding 主流精度。
  • float16:体积减半,尾数与范围更小,极端数值易损失。
  • double 数组:精度最高,但不能直接走原生向量索引,需表达式转型。

原理流程

评估精度要求与向量分布
   → 默认 vector(float32)
   → 体积敏感 → halfvec 对比召回
   → 精度敏感 → double 数组 + 表达式索引

代码 / 命令

-- 三档类型形态
embedding vector(1536)        -- float32
embedding halfvec(1536)       -- float16
embedding double precision[]  -- 高精度兜底

常见误区

  • 误区:精度越高检索越好。正解:检索质量主要由模型与度量决定,double 相对 float32 通常不带来可感知的召回提升。
  • 误区:halfvec 只是省存储,不影响计算。正解:半精度参与距离计算,极端分量下结果会有偏差。

追问

  • 问:怎么判断是否需要 double?答:用 float32 跑抽样检索与相关性评估,出现精度相关异常再考虑提升精度。
  • 问:halfvec 与二值量化哪个压缩更激进?答:二值量化更激进(每维 1 bit),召回损失更大;halfvec 保留半精度数值信息。

05.6.2.1-044 多模型、多距离函数并存时,索引规划怎么做?

频率 ★★★★☆ | 难度 高级

一句话结论

先梳理线上真实查询路径(哪个模型、哪个度量、什么过滤),再为每个「模型 × 度量」组合建必要索引,定期清理零扫描索引。

概念解释

  • 组合爆炸:模型数 × 度量数 × 粗筛层级都会产生索引,不能全部预建。
  • 依据:线上实际 SQL 与扫描统计,而非猜测需求。
  • 成本:索引叠加抬高写入延迟与磁盘占用。

原理流程

采集查询样例 → 归类 模型/度量/过滤模式
   → 为高频路径建索引
   → 周期检查 pg_stat_user_indexes → 下线闲置索引

代码 / 命令

SELECT indexrelid::regclass, idx_scan, pg_size_pretty(pg_relation_size(indexrelid))
FROM pg_stat_user_indexes WHERE relname = 'items';

常见误区

  • 误区:按模型文档把所有度量索引都建上。正解:未被查询使用的索引只增加写入负担。
  • 误区:粗筛与重打分索引可以合并。正解:类型与度量不同,必须分别建。

追问

  • 问:新上线一种检索路径怎么加索引?答:先在线上观察查询量,低峰建并发索引,再核对计划是否命中。
  • 问:索引太多写入变慢怎么权衡?答:下线低频路径索引,必要时拆表分离大向量与高频业务数据。

05.6.2.1-045 schema 隔离下扩展对象与业务表怎么分层?

频率 ★★☆☆☆ | 难度 高级

一句话结论

扩展类型与函数放专用 schema(如 extensions),业务表放业务 schema,通过搜索路径与授权分层;跨 schema 引用时类型名需可被解析。

概念解释

  • 分层目的:DBA 维护扩展对象,业务角色只管数据表。
  • 搜索路径:业务角色 search_path 包含扩展 schema,避免类型名带前缀。
  • 授权:扩展 schema 授 USAGE,业务表按角色授 DML。

原理流程

extensions schema:vector 类型、函数、算子
   ↓ 授权
业务 schema:items / embeddings 表
   ↓ 应用角色
USAGE 扩展 schema + 表级 DML

代码 / 命令

CREATE EXTENSION vector SCHEMA extensions;
ALTER ROLE app_role SET search_path TO business, extensions;
GRANT USAGE ON SCHEMA extensions TO app_role;

常见误区

  • 误区:扩展必须装在 public。正解:可用 SCHEMA 指定归属,配合搜索路径使用。
  • 误区:业务角色能访问表就自动能解析类型。正解:扩展 schema 缺 USAGE 权限或不在搜索路径时,类型解析会失败。

追问

  • 问:换 schema 后存量索引要重建吗?答:类型函数解析路径变化时需核对索引定义,必要时重建。
  • 问:多个业务 schema 共用一套扩展可以吗?答:可以,扩展只装一次,各业务 schema 通过搜索路径引用。

05.6.2.1-046 为什么不建议把向量存成 JSONB 再现场算距离?

频率 ★★★☆☆ | 难度 高级

一句话结论

JSONB 没有原生向量类型、距离算子与 ANN 索引,现场解析数组逐行算距离只能全表扫描,无法利用 pgvector 的索引与优化器能力。

概念解释

  • 类型缺失:JSONB 字段是文档结构,解析分量需要逐行展开。
  • 索引缺失:无法建 HNSW / IVFFlat 向量索引,检索退化为精确扫描。
  • 优化器缺失:距离算子、ops 类、计划选择都基于原生向量类型。

原理流程

JSONB 存向量 → 查询逐行提取数组 → 逐行距离计算 → 排序
   ↓ 对比
原生 vector 列 → 算子 + ANN 索引 → 候选集排序

代码 / 命令

-- 不推荐:JSONB 内现场算距离(无索引路径)
-- 推荐:独立 vector 列承载向量,JSONB 只存业务元数据

常见误区

  • 误区:JSONB 加 GIN 索引就能加速向量检索。正解:GIN 服务文档键值查询,不服务向量近邻排序。
  • 误区:小表 JSONB 方案无所谓。正解:小表可行但无法随规模扩展,类型层面就缺索引能力。

追问

  • 问:历史 JSONB 向量怎么迁移?答:解析分量生成新 vector 列,分批回填对账后切读路径。
  • 问:向量元数据放哪里?答:标量元数据用业务列或 JSONB,向量本体放原生向量列,各取所长。

05.6.2.1-047 新建一张向量表,类型决策清单包含哪些项?

频率 ★★★★☆ | 难度 高级

一句话结论

决策清单覆盖:模型与维度、类型与精度、距离度量、是否归一化、NULL 策略、多模型区分、索引方式与校验约束,逐项定完再建表。

概念解释

  • 输入项:Embedding 模型版本、维度、分量分布、业务过滤字段。
  • 决策项:dense/稀疏/二值、vector/halfvec、度量算子、归一化时机。
  • 兜底项:CHECK 约束、NULL 回填策略、索引表达式与查询写法一致性。

原理流程

模型与维度 → 类型精度 → 度量与归一化
   → NULL/零向量策略 → 多模型设计 → 索引规划 → 约束与校验

代码 / 命令

-- 建表前逐项确认:
-- 1) 模型 ID 与维度 D   2) 类型 vector/halfvec/bit/sparsevec
-- 3) 度量算子与 ops    4) 是否入库前归一化
-- 5) 回填策略          6) CHECK 维度约束

常见误区

  • 误区:先建表再补类型决策。正解:类型与维度一旦有数据,调整成本很高,决策应前置。
  • 误区:清单只看检索,不看写入与回填。正解:NULL 过渡、批量回填、索引维护都要在设计期考虑。

追问

  • 问:哪些决策上线后最难改?答:维度与模型类型最难改,涉及全量重建;度量与索引参数相对可后期调整重建。
  • 问:决策记录放哪里?答:在表注释或项目文档中记录模型版本、维度、度量与归一化规则,便于后续维护。

05.6.2.1-048 给一个 RAG 知识库场景,怎么设计向量表结构?

频率 ★★★★★ | 难度 高级

一句话结论

按「文档—chunk 两级」建模:业务表存文档元数据,向量表存 chunk 向量与外键,带模型标识、维度约束、归一化策略与按模型的向量索引。

概念解释

  • 层级:一个文档切多个 chunk,向量表按 chunk 粒度存储,检索命中 chunk 后回链文档。
  • 字段:主键、文档外键、模型标识、向量列、时间与状态字段。
  • 检索:强制模型过滤 + 距离排序 LIMIT,未生成向量的行不参与检索。

原理流程

文档表(id, 标题, 来源, 时间)
   ↓ 1:N
chunk 向量表(chunk_id, doc_id, model_id, embedding, status, created_at)
   ↓ 索引
按 model_id 的部分/表达式向量索引
   ↓ 检索
WHERE model_id = X AND status = 'ready' ORDER BY embedding <=> q LIMIT k

代码 / 命令

CREATE TABLE doc_chunk (
  chunk_id bigserial PRIMARY KEY,
  doc_id bigint NOT NULL,
  model_id bigint NOT NULL,
  embedding vector(1536),
  status text NOT NULL DEFAULT 'pending',
  created_at timestamptz NOT NULL DEFAULT now()
);
CREATE INDEX ON doc_chunk USING hnsw (embedding vector_cosine_ops)
WHERE status = 'ready';

常见误区

  • 误区:一个文档只存一个向量。正解:按 chunk 切分入库,检索粒度匹配片段语义。
  • 误区:向量表不存状态字段,pending 行也参与检索。正解:用状态列或 NULL 过滤排除未生成向量的行。

追问

  • 问:多租户 RAG 怎么加隔离?答:向量表带 tenant_id,检索强制带租户过滤,必要时按租户分区或建部分索引。
  • 问:换模型时这张表怎么演进?答:新增 embedding_v2 列与对应模型索引,双写回填后切读,旧列保留至下线窗口。

参考来源