Neon 向量检索怎么配：pgvector 扩展与相似度查询实操

知识分享

2026-10-31 02:40

21 阅读

Neon 是兼容 PostgreSQL 的云数据库，向量检索能力来自 pgvector 扩展，不需要额外安装独立向量数据库。
只要在 Neon 控制台启用 pgvector，就能用标准 SQL 建表、写向量并做相似度排序。

先确认版本与连接方式

Neon 默认提供较新的 PostgreSQL 版本，pgvector 扩展在支持范围内可直接启用。
你需要准备：

连接数据库：

psql "postgresql://用户名:密码@主机/数据库名?sslmode=require"

如果不想装客户端，直接用 Neon 控制台的 SQL Editor 执行后续命令也可以。

在目标数据库执行：

CREATE EXTENSION IF NOT EXISTS vector;

验证扩展是否安装成功：

SELECT extname, extversion FROM pg_extension WHERE extname = 'vector';

返回一行记录说明扩展已启用。
接着创建带向量列的表：

CREATE TABLE items (
  id bigserial PRIMARY KEY,
  content text NOT NULL,
  embedding vector(3) NOT NULL
);

vector(3) 表示三维向量，实际使用时按你的嵌入模型输出维度修改，比如 OpenAI text-embedding-3-small 是 1536 维。
维度必须和写入数据一致，否则会报错。

插入几条测试数据：

INSERT INTO items (content, embedding) VALUES
  ('苹果', '[0.9, 0.1, 0.0]'),
  ('香蕉', '[0.1, 0.9, 0.0]'),
  ('橙子', '[0.8, 0.2, 0.1]');

用余弦距离查询与 [0.85, 0.15, 0.05] 最接近的记录：

SELECT id, content, embedding <=> '[0.85, 0.15, 0.05]' AS distance
FROM items
ORDER BY embedding <=> '[0.85, 0.15, 0.05]'
LIMIT 5;

<=> 是余弦距离运算符，值越小表示越相似。
如果要按相似度从高到低排序，可以写成 ORDER BY embedding <=> '[...]'，距离升序即相似度降序。

数据量较大时建议加索引：

CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);

HNSW 索引适合近似最近邻查询，创建后查询会走索引。
注意索引创建会消耗一定时间和资源，建议在低峰期操作。

维度不一致：建表时写 vector(3)，插入 4 维数据会直接报错。修改维度需要重建列或新表。
扩展未启用：执行 CREATE EXTENSION 前要确认当前数据库正确，Neon 每个数据库需要单独启用。
连接串缺少 SSL：Neon 要求 SSL 连接，psql 连接串记得加 ?sslmode=require。
索引运算符不匹配：使用余弦距离查询时，索引要选 vector_cosine_ops；用欧氏距离则选 vector_l2_ops，否则索引可能不生效。

执行 EXPLAIN 查看查询计划：

EXPLAIN SELECT * FROM items ORDER BY embedding <=> '[0.85, 0.15, 0.05]' LIMIT 5;

如果输出中出现 Index Scan using items_embedding_idx，说明 HNSW 索引被使用。
没有走索引时，先检查索引是否存在、运算符是否匹配，以及表数据量是否过小（数据量很小时优化器可能选择全表扫描，这属于正常现象）。

最后再用一条已知最近邻的查询核对结果顺序，确认距离计算和排序符合预期。

Neon 免费套餐能用 pgvector 吗？

pgvector 属于 PostgreSQL 扩展，Neon 各套餐对扩展的支持以控制台实际可启用项为准。
启用时如果报权限错误，检查当前角色是否有 CREATE EXTENSION 权限。

向量维度必须固定吗？

同一列内必须固定，因为 vector(n) 定义了维度。
不同表可以用不同维度。

HNSW 和 IVFFlat 怎么选？

HNSW 查询速度快、召回率高，但建索引慢、占内存；
IVFFlat 建索引快，适合数据量大且能接受一定召回损失的场景。
新手可以先从 HNSW 开始。