zachbg/pgvector-ready

pgvector-ready

预配置并优化的PostgreSQL + pgvector镜像，专为AI/RAG工作负载设计。

https://img.shields.io/docker/v/zachbg/pgvector-ready?sort=semver](https://hub.docker.com/r/zachbg/pgvector-ready) https://img.shields.io/docker/pulls/zachbg/pgvector-ready](https://hub.docker.com/r/zachbg/pgvector-ready)

为什么选择此镜像？

为AI应用设置PostgreSQL + pgvector通常需要：

1. 安装扩展
2. 针对向量工作负载调优PostgreSQL
3. 使用正确参数创建索引
4. 掌握合适的SQL模式

pgvector-ready 开箱即用，已完成上述所有配置。

快速启动

bash
docker run -d \
  --name pgvector \
  -p 5432:5432 \
  -e POSTGRES_PASSWORD=secret \
  -v pgdata:/var/lib/postgresql/data \
  zachbg/pgvector-ready

Docker Compose（AI栈示例）

yaml
services:
  db:
    image: zachbg/pgvector-ready
    environment:
      POSTGRES_PASSWORD: ${DB_PASSWORD}
      POSTGRES_DB: ragapp
    ports:
      - "5432:5432"
    volumes:
      - pgdata:/var/lib/postgresql/data

  ollama:
    image: ollama/ollama
    volumes:
      - ollama:/root/.ollama

volumes:
  pgdata:
  ollama:

包含内容

扩展

• pgvector — 向量相似度搜索
• pg_stat_statements — 查询性能监控
• pg_trgm — 三元组文本搜索
• PostGIS — 地理空间功能（可用，需手动启用）

优化配置

• 针对向量操作调优内存（work_mem=256MB）
• 启用并行查询（每个gather最多4个 worker）
• 针对写密集型向量摄入优化WAL
• 慢查询日志（>1秒）

预构建 schema

• documents表，含vector(1536)列（兼容OpenAI）
• HNSW索引，用于快速余弦相似度搜索
• 全文三元组搜索索引
• JSONB元数据及GIN索引
• match_embeddings()便捷函数

使用示例

存储嵌入向量

sql
INSERT INTO documents (content, metadata, embedding)
VALUES (
  'PostgreSQL是强大的数据库',
  '{"source": "文档", "page": 1}',
  '[0.1, 0.2, ...]'::vector
);

相似度搜索

sql
-- 查找最相似的10个文档
SELECT id, content, 1 - (embedding <=> '[0.1, 0.2, ...]'::vector) AS similarity
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]'::vector
LIMIT 10;

使用便捷函数

sql
SELECT * FROM match_embeddings(
  '[0.1, 0.2, ...]'::vector,
  'documents',
  'embedding',
  10,     -- 前10条结果
  0.8     -- 最小相似度
);

调整向量维度

sql
-- 适用于Ollama嵌入（维度因模型而异）
ALTER TABLE documents ALTER COLUMN embedding TYPE vector(4096);

-- 重建索引
DROP INDEX documents_embedding_idx;
CREATE INDEX documents_embedding_idx ON documents
  USING hnsw (embedding vector_cosine_ops);

标签

许可证

MIT