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。 ↩︎