跳转到主要内容

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：

  1. 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。

  2. 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。

  3. 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

Hybrid Search

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：

  1. 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）。

  2. 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。

相关博文

在近期的博文中，我们分享了多个实际应用案例，其中所有的 Docker 镜像均可以直接替换为 VectorChord Suite 镜像：

参考资料

最后修改 2026-11-02 · docs: add Chinese translation, BM25 & tokenizer docs, and unify Vchord suite branding (14fbc31)
本页改编自 tensorchord/pgvecto.rs-docs，© 2023–Present TensorChord Inc.，依 Apache License 2.0 授权，详见归属声明与修改历史。