vectorscale
使用DiskANN算法对向量进行高效索引
仓库
timescale/pgvectorscale
https://github.com/timescale/pgvectorscale
源码
pgvectorscale-0.9.0.tar.gz
pgvectorscale-0.9.0.tar.gz
概览
| 扩展包名 | 版本 | 分类 | 许可证 | 语言 |
|---|---|---|---|---|
pgvectorscale | 0.9.0 | RAG | PostgreSQL | Rust |
| ID | 扩展名 | Bin | Lib | Load | Create | Trust | Reloc | 模式 |
|---|---|---|---|---|---|---|---|---|
| 1820 | vectorscale | 否 | 是 | 否 | 是 | 否 | 否 | - |
| 相关扩展 | vector vchord vectorize pg_summarize pg_tiktoken pg4ml pgml vchord_bm25 pg_similarity |
|---|
版本
| 类型 | 仓库 | 版本 | PG 大版本 | 包名 | 依赖 |
|---|---|---|---|---|---|
| EXT | PIGSTY | 0.9.0 | 1817161514 | pgvectorscale | vector |
| RPM | PIGSTY | 0.9.0 | 1817161514 | pgvectorscale_$v | pgvector_$v |
| DEB | PIGSTY | 0.9.0 | 1817161514 | postgresql-$v-pgvectorscale | postgresql-$v-pgvector |
构建
您可以使用 pig build 命令构建 pgvectorscale 扩展的 RPM / DEB 包：
pig build pkg pgvectorscale # 构建 RPM / DEB 包
安装
您可以直接安装 pgvectorscale 扩展包的预置二进制包，首先确保 PGDG 和 PIGSTY 仓库已经添加并启用：
pig repo add pgsql -u # 添加仓库并更新缓存
使用 pig 或者是 apt/yum/dnf 安装扩展：
pig install pgvectorscale; # 当前活跃 PG 版本安装
pig ext install -y pgvectorscale -v 18 # PG 18
pig ext install -y pgvectorscale -v 17 # PG 17
pig ext install -y pgvectorscale -v 16 # PG 16
pig ext install -y pgvectorscale -v 15 # PG 15
pig ext install -y pgvectorscale -v 14 # PG 14
dnf install -y pgvectorscale_18 # PG 18
dnf install -y pgvectorscale_17 # PG 17
dnf install -y pgvectorscale_16 # PG 16
dnf install -y pgvectorscale_15 # PG 15
dnf install -y pgvectorscale_14 # PG 14
apt install -y postgresql-18-pgvectorscale # PG 18
apt install -y postgresql-17-pgvectorscale # PG 17
apt install -y postgresql-16-pgvectorscale # PG 16
apt install -y postgresql-15-pgvectorscale # PG 15
apt install -y postgresql-14-pgvectorscale # PG 14
创建扩展：
CREATE EXTENSION vectorscale CASCADE; -- 依赖: vector
用法
CREATE EXTENSION vectorscale CASCADE;
CREATE TABLE IF NOT EXISTS document_embedding (
id BIGINT PRIMARY KEY GENERATED BY DEFAULT AS IDENTITY,
metadata JSONB,
contents TEXT,
embedding VECTOR(1536)
);
-- 使用 diskann 索引方法创建向量索引
CREATE INDEX document_embedding_idx ON document_embedding
USING diskann (embedding);
-- 基于向量距离进行近似最近邻查询
SELECT *
FROM document_embedding
ORDER BY embedding <=> $1
LIMIT 10