先说清楚它是什么：pgvector 属于「搜索与知识库」方向的开源项目，PostgreSQL 的向量检索扩展。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • RAG（检索增强生成）：先检索相关资料再让模型作答，降低胡编概率。
  • 嵌入（Embedding）：把文本转成向量，用于语义相似度检索。
  • 切分（Chunking）：把长文档拆成适合检索的小段，大小影响效果。
  • 重排序（Rerank）：对初步检索结果再次打分排序，提升相关性。
  • 混合检索：同时使用关键词和向量检索，兼顾精确匹配与语义理解。
  • 引用溯源：回答附带原文出处，便于核对。

和 pgvector 相关的补充

  • 开源项目：pgvector 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Qdrant、Milvus、LanceDB。
  • 所属方向：搜索与知识库。

把概念用起来

检索效果对比

适用情况：手头有同一批问题和两种检索配置时。

用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。

检查点：对比用同一批问题。

更多可以试的用法

资料卡片整理

适用情况：手头有搜索得到的十几篇资料时。

把这些资料整理成卡片：每张卡片包括一句话结论、关键数据、来源和可信度评价，最后按主题分组。

检查点：每张卡片都有来源。

网页内容抓取

输入：一组需要定期关注的网页。

把这些网页转成 Markdown，去掉导航和广告，只保留正文、发布日期和作者；发布日期缺失时标注「未知」。

检查点：没有臆造发布日期。

内部文档入库

准备材料：一批 PDF、Word 和网页。

把这些文档解析为干净的文本：保留标题层级和表格，去掉页眉页脚，按章节切分，每段附上原文件名和页码。

检查点：切分后的段落能回溯到页码。

常见问题：中文检索效果差

选择对中文支持好的嵌入模型，并为专有名词建立同义词。

常见问题：表格内容检索不到

换用能保留表格结构的解析工具，或单独把表格转成文本描述。

常见问题：回答过于笼统

要求逐条引用原文，并限定只回答文档中有依据的内容。

概念补充：RAG（检索增强生成）

先检索相关资料再让模型作答，降低胡编概率。

概念补充：混合检索

同时使用关键词和向量检索，兼顾精确匹配与语义理解。

适合人群：研究生

研究生可以用 pgvector 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。

适合人群：科研人员

科研人员可以用 pgvector 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

适合人群：客服人员

客服人员可以用 pgvector 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 pgvector 的数据处理条款，再决定能否使用。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读