目录

结论

1. 基本原理

2. 常见相似度计算

3. 不建索引时：暴力检索

4. HNSW 原理

5. IVFFlat 原理

6. HNSW vs IVFFlat 怎么选

推荐默认选 HNSW

IVFFlat 适合什么情况？

7. 一句话总结

---

结论

pgvector 检索的本质：把文本、图片等内容先转成 embedding 向量，存进 PostgreSQL；查询时也把 query 转成向量，然后找数据库里和 query 向量“距离最近”的记录。

---

1. 基本原理

例如你有一段文档：

新能源汽车产业链包括电池、电机、电控、充电设施等环节。

embedding 模型会把它转成类似这样的高维向量：

[0.12, -0.08, 0.33, ..., 0.41]

用户问题：

动力电池产业包括哪些环节？

也会被转成向量。

pgvector 做的事情就是：

query embedding
    ↓
和数据库里的 document embedding 计算距离
    ↓
返回距离最近的 top-k chunk

---

2. 常见相似度计算

pgvector 支持多种距离/相似度操作，常见的是：

类型	含义	常用场景
Cosine distance	看两个向量方向是否接近	文本语义检索最常用
L2 distance	欧氏距离，看空间距离	图像、通用向量检索
Inner product	内积，值越大越相似	某些 embedding 模型推荐

RAG 文本检索里，通常优先用：

ORDER BY embedding <=> query_embedding
LIMIT 10;

其中：

<=> 

一般表示 cosine distance。pgvector 文档列出了 L2、inner product、cosine、L1、Hamming、Jaccard 等距离操作符。(GitHub)

---

3. 不建索引时：暴力检索

最朴素的方式是：

SELECT *
FROM chunks
ORDER BY embedding <=> '[0.1, 0.2, ...]'::vector
LIMIT 10;

它会把 query 向量和表里所有向量逐个比较。

优点：

• 结果准确；

• 实现简单；

• 小数据量够用。

缺点：

• 数据一大就慢；

• 每次都要扫很多行。

所以才需要向量索引。

---

4. HNSW 原理

HNSW 可以理解成“向量近邻图”。

它会把相似的向量连成图：

A —— B —— C
|     |
D —— E —— F

查询时不是全表扫描，而是：

从一个入口点开始
↓
沿着“越来越接近 query 的邻居”不断跳转
↓
快速找到附近的一批候选
↓
返回 top-k

它的核心特点：

特点	说明
查询快	通常召回率和速度都比较好
召回高	RAG 场景常用
构建慢	建索引成本更高
占内存较多	比 IVFFlat 更吃资源
不要求先有数据再建	可以在空表上创建索引

pgvector 官方也说明：HNSW 的查询性能在速度和召回的 trade-off 上通常更好，但构建更慢、占用内存更多。(GitHub)

---

5. IVFFlat 原理

IVFFlat 可以理解成“先聚类，再只搜相关簇”。

它会先把所有向量分成很多 lists / clusters：

cluster 1: A, B, C
cluster 2: D, E, F
cluster 3: G, H, I

查询时：

query embedding
↓
先判断 query 离哪些 cluster 最近
↓
只搜索这些 cluster 里的向量
↓
返回 top-k

所以它不是搜全库，而是搜一部分候选集合。

特点：

特点	说明
构建快	比 HNSW 快
内存更省	成本较低
查询性能一般	速度/召回 trade-off 通常不如 HNSW
需要已有数据	最好在表里已有代表性数据后再建索引
参数敏感	lists、probes 会明显影响召回

pgvector 官方说明：IVFFlat 会把向量分成 lists，然后搜索最接近查询向量的一部分 lists；它构建更快、内存更少，但查询性能通常低于 HNSW。(GitHub)

---

6. HNSW vs IVFFlat 怎么选

推荐默认选 HNSW

对于你的 RAG 场景：

PostgreSQL + pgvector + BM25 + reranker

我建议默认用：

CREATE INDEX ON chunks
USING hnsw (embedding vector_cosine_ops);

原因：

• 检索质量更稳；

• 不太依赖聚类参数；

• 适合持续写入；

• RAG 更怕漏召回，不只是怕慢。

IVFFlat 适合什么情况？

IVFFlat 更适合：

• 数据量较大；

• 内存比较紧；

• 索引构建速度很重要；

• 数据相对稳定；

• 你愿意调 lists 和 probes。

---

7. 一句话总结

pgvector = 在 PostgreSQL 里存 embedding，并按向量距离找最相似内容。
HNSW = 建一张近邻图，沿图快速找相似向量。
IVFFlat = 先把向量聚类，查询时只搜最相关的几个簇。

你的 RAG 项目里，优先 HNSW；数据特别大或资源紧张时再考虑 IVFFlat。