timescale/pgai-vectorizer-worker Docker 镜像 - 轩辕镜像 | Docker 镜像高效稳定拉取服务

pgai - PostgreSQL AI应用开发工具

pgai简化了使用PostgreSQL构建相似度搜索、检索增强生成（RAG）和其他AI应用的流程。

镜像概述与主要用途

pgai的目标是让AI工作更简单、更易于开发者使用。由于数据是大多数AI应用的基础，pgai致力于简化在AI工作流中利用数据的过程。其核心价值在于将AI能力与PostgreSQL紧密集成，使开发者能够直接在数据库中处理向量嵌入、执行语义搜索、实现RAG等AI任务，无需复杂的外部系统集成。

核心功能和特性

向量嵌入数据处理

• 自动创建与同步向量嵌入：为数据自动生成并同步向量嵌入，无需手动管理嵌入过程。
• 向量与语义搜索：支持基于向量的相似度搜索和语义搜索，快速定位相关数据。
• SQL内RAG实现：在单个SQL语句中完成检索增强生成（RAG），简化应用架构。
• 高性能ANN搜索：通过pgvectorscale（pgvector的补充工具）支持大规模向量 workload 的高性能、低成本近似最近邻（ANN）搜索。

大语言模型（LLM）集成

• 多模型支持：集成Claude Sonnet 3.5、OpenAI GPT4o、Cohere Command、Llama 3（通过Ollama）等模型，提供聊天补全能力。
• 数据处理任务：基于现有关系数据实现分类、总结、数据增强等场景，直接在PostgreSQL中完成数据推理。

使用场景和适用范围

企业级RAG应用

适用于需要基于企业私有数据构建问答系统的场景，如内部知识库、客户支持助手等，通过SQL直接实现检索与生成一体化。

语义搜索引擎

为应用添加语义搜索能力，支持用户以自然语言查询结构化数据，提升搜索准确性（如电商产品搜索、文档检索）。

数据分类与总结

对现有业务数据（如用户评论、工单记录）进行自动分类或总结，辅助业务分析与决策。

向量数据库管理

需要存储、索引和查询向量嵌入的场景，尤其是大规模向量数据（百万级以上）的高效管理。

详细使用方法与配置说明

安装方式

1. Timescale Cloud

创建免费试用账户，直接使用预配置的pgai环境，参考Vectorizer文档。

2. 预构建Docker镜像

使用官方预构建Docker镜像，包含pgai及依赖组件（如pgvector、pgvectorscale）。

3. 源码编译

从GitHub仓库克隆源码，按文档编译安装（需PostgreSQL 14+环境）。

Docker部署示例

docker run 命令

bash
docker run -d \
  --name pgai-instance \
  -e POSTGRES_PASSWORD=your_secure_password \
  -e POSTGRES_DB=pgai_demo \
  -e OPENAI_API_KEY="your_openai_api_key"  # 可选，根据使用的AI提供商配置
  -p 5432:5432 \
  timescale/pgai:latest

docker-compose 配置

yaml
version: '3.8'
services:
  pgai:
    image: timescale/pgai:latest
    container_name: pgai-postgres
    environment:
      POSTGRES_PASSWORD: your_secure_password
      POSTGRES_USER: pgai_user
      POSTGRES_DB: pgai_demo
      OLLAMA_BASE_URL: "[***]"  # 若使用Ollama，配置服务地址
      ANTHROPIC_API_KEY: "your_anthropic_api_key"  # 若使用Anthropic Claude
    ports:
      - "5432:5432"
    volumes:
      - pgai_data:/var/lib/postgresql/data
    depends_on:
      - ollama  # 若使用本地Ollama，添加依赖服务

  ollama:
    image: ollama/ollama:latest
    container_name: pgai-ollama
    volumes:
      - ollama_data:/root/.ollama
    ports:
      - "***:***"

volumes:
  pgai_data:
  ollama_data:

快速开始：自动向量嵌入

参考快速入门指南，10分钟内完成自托管PostgreSQL环境的pgai配置，实现数据嵌入自动化。

核心步骤：

1. 连接数据库并启用pgai扩展：

   sql
   CREATE EXTENSION pgai;
   

2. 创建带向量字段的表：

   sql
   CREATE TABLE documents (
     id SERIAL PRIMARY KEY,
     content TEXT NOT NULL,
     embedding vector(1536)  -- 向量维度需与模型匹配（如OpenAI text-embedding-3-small为1536）
   );
   

3. 配置Vectorizer自动生成嵌入：

   sql
   SELECT pgai.vectorizer_create(
     table_name => 'documents',
     source_column => 'content',
     embedding_column => 'embedding',
     model => 'openai:text-embedding-3-small'
   );
   

4. 插入数据后自动生成嵌入：

   sql
   INSERT INTO documents (content) VALUES ('pgai是PostgreSQL的AI扩展工具');
   -- embedding字段将自动填充向量值
   

AI服务提供商配置

OpenAI配置

1. 设置环境变量：

   bash
   export OPENAI_API_KEY="sk-..."  # Docker部署时通过-e传递
   

2. 测试模型调用：

   sql
   SELECT pgai.openai_chat_completion(
     model => 'gpt-4o',
     messages => '[{"role":"user","content":"介绍pgai的核心功能"}]'
   );
   

Ollama配置

1. 启动Ollama服务并拉取模型：

   bash
   docker exec -it pgai-ollama ollama pull llama3
   

2. 配置pgai连接Ollama：

   sql
   SELECT pgai.ollama_configure(base_url => '[***]
   

3. 生成向量嵌入：

   sql
   SELECT pgai.ollama_embed(
     model => 'llama3',
     input => 'pgai支持在PostgreSQL中开发AI应用'
   );
   

典型操作示例

语义搜索

查询与"AI工具"相关的文档：

sql
SELECT content, pgai.cosine_similarity(
  embedding, 
  pgai.openai_embed('text-embedding-3-small', 'AI工具')
) AS similarity
FROM documents
ORDER BY similarity DESC
LIMIT 3;

RAG实现

基于检索到的文档生成回答：

sql
WITH retrieved_docs AS (
  SELECT content 
  FROM documents
  ORDER BY pgai.cosine_similarity(
    embedding, 
    pgai.openai_embed('text-embedding-3-small', 'pgai如何实现RAG?')
  ) DESC
  LIMIT 2
)
SELECT pgai.openai_chat_completion(
  model => 'gpt-4o',
  messages => format(
    '[{"role":"system","content":"基于以下文档回答问题: %s"},{"role":"user","content":"pgai如何实现RAG?"}]',
    array_agg(content)::TEXT
  )
) AS rag_answer
FROM retrieved_docs;

贡献与资源

• 学习资源：阅读pgai: 赋予PostgreSQL开发者AI工程能力了解设计背景。
• 贡献指南：参考Contributing参与开发。
• 文档库：更多示例与配置见官方文档（含Ollama、Cohere等提供商详细配置）。