这是本节的多页打印视图。 .

快速入门

概览、安装包、Docker 镜像以及 Vchord 检索扩展家族。

1: 概览
2: 安装指南
3: Vchord 家族套件

1 - 概览

vchord 是一款专为可扩展、高性能及高磁盘效率的向量相似性检索而设计的 PostgreSQL 扩展。

vchord 是一款专为可扩展、高性能且磁盘高效的向量相似性检索而设计的 PostgreSQL 扩展。

借助 vchord，您仅需 1 美元即可存储 400,000 个向量，从而显著节省成本：在同等价格下，可存储的向量数量是 Pinecone 优化型存储的 6 倍，是 pgvector/pgvecto.rs 的 26 倍¹。欲了解更多详情，请参阅我们的发布博文。

核心特性

相较于 pgvecto.rs 和 pgvector，vchord 带来了显著的增强：

⚡ 性能大幅提升：与 pgvector 的 HNSW 实现相比，经过全面优化的操作可提供最高 5 倍的查询加速、16 倍的写入吞吐量提升，以及 16 倍的索引构建提速¹。

💰 高性价比向量检索：仅需 32GB 内存即可查询 1 亿条 768 维向量，在保持 Top-10 召回率达 95% 的同时实现 35ms 的 P50 延迟，助您在保障高质量检索的同时大幅降低基础设施成本。

🔌 无缝集成：完全兼容 pgvector 的数据类型与语法，并提供开箱即用的最优默认配置——无需手动调优参数。只需直接引入 vchord，即可获得性能跃升。

🔧 加速索引构建：支持利用 IVF 在外部（例如 GPU 上）构建索引以加快 KMeans 聚类速度，并结合 RaBitQ² 压缩算法高效存储向量，同时通过自适应重排序（reranking）确保检索质量。

📏 超长向量支持：支持存储和检索最高达 60,000³ 维的向量，让您轻松使用 text-embedding-3-large 等顶尖高维模型。

🌐 按需灵活扩展：基于水平扩展架构，针对 500 万或 1 亿条 768 维向量的查询可轻松扩展至 10,000+ QPS（Top-10 召回率达 90%），且具备极具竞争力的成本优势⁴。

快速开始

对于新用户，我们推荐使用 Docker 镜像快速上手。如果您倾向于不使用 Docker，请参阅安装指南了解其他安装方式。

docker run \
  --name vectorchord-demo \
  -e POSTGRES_PASSWORD=mysecretpassword \
  -p 5432:5432 \
  -d tensorchord/vchord-postgres:pg18-v1.1.1

除了包含 VectorChord 扩展的基础镜像外，我们还提供了全合一镜像 tensorchord/vchord-suite:pg18-latest。该综合镜像包含了所有官方 TensorChord 扩展。开发者应根据支持矩阵选择与所需扩展版本兼容的镜像标签。

随后，您可以使用 psql 命令行工具连接到数据库。默认用户名为 postgres，默认密码为 mysecretpassword。

psql -h localhost -p 5432 -U postgres

现在，您可以开始体验 VectorChord 了！

VectorChord 依赖于 pgvector（包括其向量数据表示形式）。由于您可以直接使用它们，您的应用程序可以毫无痛点地轻松完成迁移！

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

与 pgvector 类似，您可以创建一张包含向量列的表，并向其中插入一些数据。

CREATE TABLE items (id bigserial PRIMARY KEY, embedding vector(3));
INSERT INTO items (embedding) SELECT ARRAY[random(), random(), random()]::real[] FROM generate_series(1, 1000);

借助 VectorChord，您可以创建 vchordrq 索引：

CREATE INDEX ON items USING vchordrq (embedding vector_l2_ops);

然后使用 SELECT ... ORDER BY ... LIMIT ... 执行向量检索：

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

欲了解更多用法，请阅读：

开源许可

vchord 采用 GNU Affero 通用公共许可证 v3.0（AGPL-3.0-only） 发布。我们欢迎任何商业合作或支持咨询，如有任何问题或需求，请发送邮件至 [email protected]。

基于 MyScale Benchmark 测试（768 维向量，95% 召回率）。更多详情请参阅我们的博文。 ↩︎ ↩︎
Gao, Jianyang, and Cheng Long. “RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search.” Proceedings of the ACM on Management of Data 2.3 (2024): 1-27. ↩︎
目前 pgvector 存在 16,000 维的限制。如果您确实需要处理更高维度的向量（16,000<dim<60,000），可以考虑修改 VECTOR_MAX_DIM 并自行编译 pgvector。 ↩︎
更多详情请参阅我们的博文，其中 PostgreSQL 的水平扩展能力由 CloudNative-PG 提供支持。 ↩︎

2 - 安装指南

VectorChord 已在多种操作系统与架构上完成测试，支持通过 Docker、源码、Debian/Ubuntu 包及 PGXN 安装。

VectorChord 已在以下操作系统上通过测试：

Ubuntu (x86_64, aarch64)
macOS (x86_64, aarch64)
Windows (x86_64)
Alpine Linux (x86_64, aarch64) ¹
Debian (powerpc64le, s390x, riscv64) ²

如果您在上述任何操作系统上遇到问题，请提交 Bug 报告；如果您需要更多平台支持，欢迎提交功能请求。

Docker

VectorChord 镜像

体验 VectorChord 最简便的方式是直接运行开箱即用的 Docker 镜像。

在 Docker 中启动 VectorChord 容器。

docker run \
  --name vchord-demo \
  -e POSTGRES_PASSWORD=mysecretpassword \
  -p 5432:5432 \
  -d tensorchord/vchord-postgres:pg18-v1.1.1

使用 psql 命令行工具连接到数据库。默认用户名为 postgres。

psql postgresql://postgres:mysecretpassword@localhost:5432/postgres

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

提示

为了充分发挥性能，请通过添加如下参数将数据卷挂载到 PostgreSQL 数据目录：

在 PostgreSQL 18 上：-v $PWD/pgdata:/var/lib/postgresql/18/docker
在 PostgreSQL 14、15、16 和 17 上：-v $PWD/pgdata:/var/lib/postgresql/data

您可以参考基础父镜像的说明文档（https://hub.docker.com/_/postgres/）来配置 PostgreSQL。

VectorChord Suite 镜像

除了仅包含 VectorChord 扩展的基础镜像外，我们还提供了全合一镜像 tensorchord/vchord-suite:pg18-latest。该综合镜像包含了所有官方 TensorChord 扩展。开发者应根据支持矩阵选择与所需扩展版本兼容的镜像标签。

在 Docker 中启动 VectorChord 容器。

docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg18-latest
  # 如果您希望使用 ghcr 镜像，可以将镜像名改为 `ghcr.io/tensorchord/vchord-suite:pg18-latest`。
  # 如果您希望使用特定版本，可以使用如 `pg17-20250815` 的标签，受支持的版本可在支持矩阵中查看。

其余步骤与上文一致。

VectorChord Scratch 镜像

我们提供了一个仅包含 VectorChord 相关文件的 scratch 镜像。您可以使用 Docker 的 COPY 指令将 VectorChord 安装到任何镜像中，例如：

FROM tensorchord/vchord-scratch:pg18-v1.1.1 AS vchord_scratch
FROM postgres:18-bookworm
RUN apt-get update && apt-get install -y postgresql-18-pgvector
COPY --from=vchord_scratch / /
CMD ["postgres", "-c" ,"shared_preload_libraries=vchord,vector"]

该镜像同样可以作为 CloudNativePG 的镜像卷扩展（Image Volume Extension）使用。另请参阅：

源码编译

提示

编译环境要求：

任意版本的 make
clang >= 16 及 libclang
rust >= 1.93 及 cargo

在大多数平台上推荐使用 Rustup 安装 Rust，而在 Alpine Linux 上则建议使用系统包管理器安装。

您可以设置环境变量 CC 来为构建系统指定所需的 C 编译器。如果不设置该变量，构建系统会自动搜索 clang 和 gcc。若要使用 clang 编译所有 C 代码，请将 CC 设置为 clang 的路径；若要使用 gcc 编译所有 C 代码，请将 CC 设置为 gcc 的路径（注意：此时要求 gcc >= 14）。

Rust 版本要求并非长期不变的承诺；我们会在每次发布新版本时上调所需的最低 Rust 版本。

上述编译要求仅适用于 x86_64 和 aarch64 架构。对于包括 powerpc64le、s390x 和 riscv64 在内的所有其他架构，均需要使用 nightly 版本的 Rust 以及最新版本的 Clang。

如果您尚未安装 PostgreSQL，请先安装 PostgreSQL。如果您尚未安装 pgvector，可以在执行第 3 步之前安装 pgvector。

下载源码，并使用 make 进行编译和安装。

curl -fsSL https://github.com/tensorchord/VectorChord/archive/refs/tags/1.1.1.tar.gz | tar -xz
cd VectorChord-1.1.1
make build
make install # 或者 `sudo make install`

修改 shared_preload_libraries 以加载该扩展来配置 PostgreSQL，然后重启 PostgreSQL 集群。

psql -U postgres -c 'ALTER SYSTEM SET shared_preload_libraries = "vchord"'

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

编译调优

VectorChord 会针对 SIMD 代码执行运行时 CPU 指令集分发（runtime CPU dispatch）。如果您希望编译器针对特定 CPU 对整个程序进行优化，可以指示编译器为该特定 CPU 生成代码。

RUSTFLAGS="-Ctarget-cpu=icelake" make build

若要查看当前目标平台（target triple）支持的所有有效 CPU 选项及默认 CPU，请运行：

rustc --print target-cpus

若要针对当前宿主机生成优化代码，请运行：

RUSTFLAGS="-Ctarget-cpu=native" make build

请注意，指定特定 target-cpu 生成的二进制文件与其他型号的 CPU 不兼容。

您也可以通过 Cargo 配置文件来完成此设置：

cd VectorChord-1.1.1
mkdir -p .cargo
touch .cargo/config.toml
echo 'build.rustflags = ["-Ctarget-cpu=icelake"]' >> ./cargo/config.toml

Debian

如果您尚未安装 PostgreSQL，请参照 https://www.postgresql.org/download/linux/debian/ 进行安装。如果您尚未安装 pgvector，可以在执行第 3 步之前通过 apt install postgresql-18-pgvector 进行安装。

关于发布链接的说明

VectorChord 的新版本发布托管于 github.com/pgsty/vchord/releases，而历史版本（1.1.1 及更早版本）仍可在 github.com/tensorchord/VectorChord/releases 获取。

在发布页面下载 Debian 软件包，并通过 apt 进行安装。

wget https://github.com/tensorchord/VectorChord/releases/download/1.1.1/postgresql-18-vchord_1.1.1-1_$(dpkg --print-architecture).deb
sudo apt install ./postgresql-18-vchord_1.1.1-1_$(dpkg --print-architecture).deb

修改 shared_preload_libraries 以加载该扩展来配置 PostgreSQL，然后重启 PostgreSQL 集群。

psql -U postgres -c 'ALTER SYSTEM SET shared_preload_libraries = "vchord"'
sudo systemctl restart postgresql.service

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

Ubuntu

如果您尚未安装 PostgreSQL，请参照 https://www.postgresql.org/download/linux/ubuntu/ 进行安装。如果您尚未安装 pgvector，可以在执行第 3 步之前通过 apt install postgresql-18-pgvector 进行安装。

关于发布链接的说明

VectorChord 的新版本发布托管于 github.com/pgsty/vchord/releases，而历史版本（1.1.1 及更早版本）仍可在 github.com/tensorchord/VectorChord/releases 获取。

在发布页面下载 Debian 软件包，并通过 apt 进行安装。

wget https://github.com/tensorchord/VectorChord/releases/download/1.1.1/postgresql-18-vchord_1.1.1-1_$(dpkg --print-architecture).deb
sudo apt install ./postgresql-18-vchord_1.1.1-1_$(dpkg --print-architecture).deb

修改 shared_preload_libraries 以加载该扩展来配置 PostgreSQL，然后重启 PostgreSQL 集群。

psql -U postgres -c 'ALTER SYSTEM SET shared_preload_libraries = "vchord"'
sudo systemctl restart postgresql.service

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

PGXN

提示

编译环境要求请参阅源码编译。

如果您尚未安装 PostgreSQL，请先安装 PostgreSQL。如果您尚未安装 pgvector，可以在执行第 3 步之前通过 pgrxclient install vector 进行安装。

使用以下命令从 PostgreSQL Extension Network (PGXN) 安装 VectorChord：

pgxnclient install vchord # 或者 `pgxnclient install vchord --sudo`

修改 shared_preload_libraries 以加载该扩展来配置 PostgreSQL，然后重启 PostgreSQL 集群。

psql -U postgres -c 'ALTER SYSTEM SET shared_preload_libraries = "vchord"'

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

提示

PGXN 上的 VectorChord 0.4.1 软件包存在问题，请勿使用。请改用 0.4.2 或更高版本。

预编译二进制文件

deprecated

警告

预编译二进制文件可能与您机器上安装的 PostgreSQL 存在 ABI 不兼容，这可能会导致静默错误。在此情况下，我们强烈建议您从源码进行编译。

如果您尚未安装 PostgreSQL，请先安装 PostgreSQL。如果您尚未安装 pgvector，可以在执行第 3 步之前安装 pgvector。

在发布页面下载预编译二进制文件，并参考您所用发行版的文档重新打包，然后通过系统包管理器进行安装。虽然我们不建议这样做，但如果您需要，也可以直接将文件手动复制到系统目录中：

cp -r ./pkglibdir/. $(pg_config --pkglibdir)
cp -r ./sharedir/. $(pg_config --sharedir)

修改 shared_preload_libraries 以加载该扩展来配置 PostgreSQL，然后重启 PostgreSQL 集群。

psql -U postgres -c 'ALTER SYSTEM SET shared_preload_libraries = "vchord"'

执行以下 SQL 语句以确保扩展已启用。

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;

VectorChord 已在 Alpine Linux 3.22 上针对 community 仓库中的 PostgreSQL 15，以及 main 仓库中的 PostgreSQL 16 和 17 完成测试。 ↩︎
VectorChord 已通过 QEMU 用户态模拟器，在 powerpc64le 架构上针对 PostgreSQL 官方仓库中的 PostgreSQL 13、14、15、16、17 和 18，以及在 s390x 和 riscv64 架构上针对 Debian 官方仓库中的 PostgreSQL 15 和 17 完成测试。 ↩︎

3 - Vchord 家族套件

检索增强生成（RAG）正在彻底改变我们与海量数据集及语言模型的交互方式。通过 Vchord 家族扩展，您可以直接在 PostgreSQL 中构建生产级 RAG 系统。

检索增强生成（Retrieval-Augmented Generation，简称 RAG）正在彻底改变我们与海量数据集及大语言模型的交互方式。通过在生成回答前检索相关信息，RAG 系统能够提供更加精准、具备上下文感知且时效性更强的答案。然而，构建稳健、可扩展且高效的 RAG 流水线依然面临诸多挑战，在生产环境中尤为如此。

许多现有方案采用了复杂的架构，分别使用不同的专用数据库来处理向量检索、关键词检索和主数据存储。这往往会导致数据同步困难、基础设施复杂度上升以及运维成本居高不下。

如果能够直接在您信赖的 PostgreSQL 数据库中构建强大且达到生产级标准的 RAG 系统，会怎样呢？

为此，我们推出了 Vchord 家族套件（Vchord Suite）——这是一套专为将高性能向量检索、原生 BM25 排序以及灵活的分词能力直接引入 Postgres 而设计的 PostgreSQL 扩展套件。下面让我们一起探索其核心组件，以及它们如何赋能下一代 RAG 解决方案。

什么是 Vchord 家族套件？

该套件由三个协同工作的核心 PostgreSQL 扩展组成：

vchord (pgsty/vchord)： 核心向量检索引擎，专为在 PostgreSQL 内部实现可扩展、高性能且高磁盘效率的向量相似性检索而设计。
vchord_bm25 (pgsty/vchord_bm25)： 该扩展利用高效的 Block-WeakAnd 算法，直接在 PostgreSQL 内部实现了成熟的 BM25 排序算法。BM25 是基于关键词词频与文档特征进行相关性排序的行业标准。
pg_tokenizer (pgsty/pg_tokenizer)： 提供高效全文检索所需的核心文本分词能力，支持对全文检索中的文本处理流程进行细粒度控制。

通过组合这些扩展，您可以完全在 PostgreSQL 内部解锁构建高级 RAG 系统的强大能力。

如何使用 Vchord 家族套件

您可以使用 tensorchord/vchord-suite Docker 镜像来运行由 TensorChord 提供的多个扩展。该镜像基于 Docker 官方 PostgreSQL 镜像构建，并内置了以下扩展：

vchord
pg_tokenizer
vchord_bm25
vector

docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg18-latest

# 如果您希望使用 ghcr 镜像，可以将镜像名改为 `ghcr.io/tensorchord/vchord-suite:pg18-latest`。
docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg18-latest

# 如果您希望使用特定版本，可以使用如 `pg17-20250414` 的标签，受支持的版本可在支持矩阵中查看。
docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg17-20250414

CREATE EXTENSION IF NOT EXISTS vchord CASCADE;
CREATE EXTENSION IF NOT EXISTS pg_tokenizer CASCADE;
CREATE EXTENSION IF NOT EXISTS vchord_bm25 CASCADE;
\dx
pg_tokenizer | 0.1.1   | tokenizer_catalog | pg_tokenizer
vchord       | 1.1.1   | public            | vchord: Vector database plugin for Postgres, written in Rust, specifically designed for LLM
vchord_bm25  | 0.3.0   | bm25_catalog      | vchord_bm25: A postgresql extension for bm25 ranking algorithm
vector       | 0.8.1   | public            | vector data type and ivfflat and hnsw access methods

Vchord 家族套件的应用场景

场景 1：基于原生 BM25 与 `vchord` 的强大混合检索

在 RAG 时代，高效的检索至关重要。无论是单纯的关键词检索还是单纯的向量检索，都并非完美无缺：

关键词检索（如 BM25）： 擅长精确匹配，能够找出包含确切关键词的文档，非常适合结构化查询和特定术语检索。然而，它在处理同义词、改写表述以及理解潜在语义或意图方面表现欠佳。（基于 vchord_bm25 与 pg_tokenizer 实现）。
向量检索： 能够捕捉深层语义信息及概念间的关联，即使查询中未出现完全一致的关键词，也能找到相关信息。但在面对要求精确匹配特定术语的查询时，其精度有时会略显不足。（基于 vchord 实现）。

解决方案：混合检索（Hybrid Search）。 通过在 PostgreSQL 内部结合这两种方法的优势，Vchord 家族套件完美弥补了这一鸿沟。您可以在查询中同时利用：

vchord_bm25（由 pg_tokenizer 驱动）实现关键词精确匹配。
vchord 实现深层语义理解。

随后，可以将两者的检索结果进行智能融合（例如使用倒数排序融合 RRF，或基于模型的重排序），从而生成比任何单一方法都更加准确、上下文相关且具备语义感知的最终排序。这将为您的 RAG 应用带来显著的检索性能提升。

场景 2：超越纯文本——基于 ColQwen2 与 `vchord` 的免 OCR RAG

为 PDF 或扫描图像等文档构建 RAG 系统通常涉及繁琐的预处理流水线。传统方法高度依赖光学字符识别（OCR）和版面分析来提取文本。这一过程往往存在以下弊端：

速度缓慢： OCR 的计算开销通常非常高昂。
容易出错： OCR 的准确率受文档质量影响极大。
信息有损： 表格、图表、排版格式以及相对位置等关键视觉上下文信息，往往会在文本提取过程中丢失。

解决方案：免 OCR、具备视觉感知的 RAG。 如果您无需显式执行 OCR，就能直接根据文档的视觉外观及其内容进行查询，会怎样呢？

现在，通过结合以下两项技术即可实现这一目标：

多模态视觉语言模型（VLM）： 诸如 ColQwen2 等模型可以直接处理图像（文档页面），并生成同时捕捉文本内容与视觉版面信息的嵌入向量（Embeddings）。
vchord 的多向量检索能力： vchord 可以在 PostgreSQL 中高效地为每篇文档存储和检索多个向量——允许您存储代表文档不同维度的嵌入表示（例如文本内容与视觉布局）。

借助这一方案，您可以直接在 PostgreSQL 中使用提及视觉元素的提示词（如“查找包含对比销售数据的柱状图的文档”）或结合图文线索的查询来检索文档数据库。这不仅简化了您的 RAG 技术栈，还通过保留视觉上下文提升了检索准确率，并彻底消除了传统 OCR 流水线的性能瓶颈。

为什么在 PostgreSQL 中构建 RAG？

在 PostgreSQL 中使用 Vchord 家族套件具有显著优势：

数据统一： 将源数据、文本、元数据和向量嵌入统一保存在同一个数据库中。
降低复杂度： 无需维护独立的向量数据库及复杂的数据同步流水线。
复用现有基础设施： 充分利用您现有的 PostgreSQL 专业经验、工具链和运维体系。
事务完整性： 受益于 PostgreSQL 强大的 ACID 事务保障。
丰富的生态系统： 无缝接入 PostgreSQL 生态系统中种类繁多的工具与特性。

总结

Vchord 家族套件将 PostgreSQL 打造成了一个强大且达到生产级标准的平台，用于构建高级 RAG 解决方案。通过集成高性能向量检索（vchord）、成熟的关键词排序（vchord_bm25）以及灵活的文本处理（pg_tokenizer），您可以直接在数据库内部实现混合检索与免 OCR 多模态检索等前沿技术。在 PostgreSQL 中借助 Vchord 简化系统架构、提升检索精度，并充分释放 RAG 的全部潜能。

快速入门

1 - 概览

核心特性

快速开始

开源许可

2 - 安装指南

Docker

VectorChord 镜像

VectorChord Suite 镜像

VectorChord Scratch 镜像

源码编译

编译调优

Debian

Ubuntu

PGXN

预编译二进制文件

3 - Vchord 家族套件

什么是 Vchord 家族套件？

如何使用 Vchord 家族套件

Vchord 家族套件的应用场景

场景 1：基于原生 BM25 与 `vchord` 的强大混合检索

场景 2：超越纯文本——基于 ColQwen2 与 `vchord` 的免 OCR RAG

为什么在 PostgreSQL 中构建 RAG？

总结

相关博文

参考资料

快速入门

1 - 概览

核心特性

快速开始

开源许可

2 - 安装指南

Docker

VectorChord 镜像

VectorChord Suite 镜像

VectorChord Scratch 镜像

源码编译

编译调优

Debian

Ubuntu

PGXN

预编译二进制文件

3 - Vchord 家族套件

什么是 Vchord 家族套件？

如何使用 Vchord 家族套件

Vchord 家族套件的应用场景

场景 1：基于原生 BM25 与 vchord 的强大混合检索

场景 2：超越纯文本——基于 ColQwen2 与 vchord 的免 OCR RAG

为什么在 PostgreSQL 中构建 RAG？

总结

相关博文

参考资料

场景 1：基于原生 BM25 与 `vchord` 的强大混合检索

场景 2：超越纯文本——基于 ColQwen2 与 `vchord` 的免 OCR RAG