应用案例 on Vchord

混合搜索

Mon, 01 Jan 0001 00:00:00 +0000

本节将向您展示如何使用 pgvecto.rs 实现混合搜索（Hybrid Search）。

向量搜索与全文检索

Postgres 基于匹配操作符 @@ 提供了全文检索（Full Text Search）功能。当 tsvector（文档）与 tsquery（查询）匹配时，它会返回 true。这两种数据类型的书写先后顺序不影响结果：

自适应检索与缩短嵌入向量

Mon, 01 Jan 0001 00:00:00 +0000

OpenAI 最新的嵌入模型支持缩短嵌入向量（Shortening embeddings，即套娃嵌入 Matryoshka Embeddings），开发者只需简单地“移除序列末尾的部分数值”，依然能够保持有效的文本语义表示。

这带来了极其灵活的使用方式。例如，当使用仅支持最高 1024 维嵌入的向量数据存储时，开发者现在仍然可以使用我们最好的嵌入模型 text-embedding-3-large，只需将 API 参数 dimensions 指定为 1024，即可将嵌入从 3072 维缩短为 1024 维，通过牺牲少许精度来换取更小的向量体积。

以图搜图与智能图像搜索

Mon, 01 Jan 0001 00:00:00 +0000

智能图像搜索，又称基于内容的图像检索（Content-Based Image Retrieval），超越了传统的基于关键词的搜索方式，使用户能够根据图像的视觉内容搜索图像。例如，您可以直接搜索包含红蘑菇的图片（图片来自 immich）：

多租户架构

Mon, 01 Jan 0001 00:00:00 +0000

多租户（Multi-tenancy）对于 SaaS 应用至关重要，它允许单个数据库实例同时服务多个用户或团队，同时确保数据隐私与隔离安全。本文将介绍如何使用 pgvecto.rs 设计并实现一个简洁的多租户向量搜索系统。

稀疏向量搜索

Mon, 01 Jan 0001 00:00:00 +0000

过去，混合搜索（Hybrid Search）通常将传统的基于关键词的搜索与基于向量的相似度搜索结合在一起。然而，稀疏向量（Sparse Vector）可以作为关键词搜索的替代方案，通过纯向量搜索充分释放数据流水线的全部潜力。

生成式问答（Generative QA）

Mon, 01 Jan 0001 00:00:00 +0000

向量搜索还可以用于为生成式模型（例如 OpenAI 的 GPT 系列）提供上下文，从而提升模型输出的质量。

本文将探讨如何使用 pgvecto.rs 构建向量知识库并从中检索信息，以增强生成式模型在问答（Question-Answering, QA）任务中的表现。知识库充当了生成式模型的“长期记忆”，为其提供持久化、经过整理且准确的信息作为上下文（Context），供模型在生成问题答案时参考。这样不仅能生成更准确的回答，减少模型产生“幻觉”（毫无事实依据的陈述）的可能性，还能增强用户对输出结果的信任。这项技术被称为检索增强生成（Retrieval-Augmented Generation，简称 RAG）：更多信息请参阅这篇博文或相关论文。