pgvector 组合用法：从输入到交付的完整链路
pgvector 是一款开源项目：PostgreSQL 的向量检索扩展。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：pgvector + GPT Researcher
GPT Researcher 的定位是：自动检索多来源并生成研究报告的开源智能体。两者分工可以是：pgvector 负责「带来源的快速调研」这一步，GPT Researcher 负责查找文献与核实引用。
工作流步骤
- 明确交付物和验收标准，例如：关键结论都有可点击来源。
- 准备输入：一个需要事实支撑的问题，先去掉敏感信息。
- 在 pgvector 中执行核心步骤（提示词见下文）
- 把结果交给 GPT Researcher 做下一步处理，或从 GPT Researcher 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
带来源的快速调研
适用情况：手头有一个需要事实支撑的问题时。
请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。
验收标准：关键结论都有可点击来源。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 权限分散：两边的账号和分享范围分别检查。
如果暂时不想引入第二个工具，也可以先用 Qdrant 等同类产品替代其中一环，跑通流程后再决定。
更多可以试的用法
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。
交付前确认：切分后的段落能回溯到页码。
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。
构建问答测试集
适用情况：手头有一份产品手册时。
根据手册编写 20 个用户可能问的问题及标准答案，标注答案所在章节，用来评估知识库检索效果。
交付前确认：每个答案都能在手册中找到。
常见问题：答案引用了错误段落
调整切分大小、加入重排序，并检查文档解析是否丢失标题。
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。
常见问题：搜索结果过时
限定时间范围，或在提问中注明需要最新信息并核对发布日期。
概念补充：切分（Chunking）
把长文档拆成适合检索的小段，大小影响效果。
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。
适合人群：软件工程师
软件工程师可以用 pgvector 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
注意事项
文中提示词和示例仅作示意，实际效果取决于你的材料和 pgvector 当前版本，重要内容请人工核对后再使用。
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。