PostgreSQL 17 + pgvector 0.8 RAG 实战 2026

TL;DR：pgvector 0.8 在 2026 Q2 发布，HNSW 索引查询性能比 0.7 提升 2 倍，新增 Sparse Vectors 和混合检索（BM25 + 向量）。本文从 schema 设计、索引选型到 Go 集成，给出生产级 RAG 完整方案。

一、pgvector 0.8 重大升级

特性	0.7	0.8
HNSW 构建速度	基线	2.1x
HNSW 查询 QPS	基线	2.0x
索引内存	100%	65%
Sparse Vectors	❌	✅
混合检索	❌	✅（BM25 + dense）
量化位数	int8, bit	+ int4, int2
二进制量化	❌	✅（32x 压缩）

二、Schema 设计

2.1 文档块表

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS pg_trgm;  -- 全文检索

CREATE TABLE documents (
    id BIGSERIAL PRIMARY KEY,
    source TEXT NOT NULL,             -- 来源：pdf/url/notion
    title TEXT,
    content TEXT NOT NULL,
    metadata JSONB DEFAULT '{}',
    created_at TIMESTAMPTZ DEFAULT now()
);

CREATE TABLE chunks (
    id BIGSERIAL PRIMARY KEY,
    document_id BIGINT REFERENCES documents(id) ON DELETE CASCADE,
    chunk_index INT NOT NULL,
    content TEXT NOT NULL,
    -- 1024 维 dense embedding（OpenAI text-embedding-3-small）
    embedding vector(1024),
    -- sparse embedding（pgvector 0.8 新增，SPLADE v2）
    sparse_embedding sparsevec(30522),
    tsv tsvector GENERATED ALWAYS AS (to_tsvector('chinese', content)) STORED,
    created_at TIMESTAMPTZ DEFAULT now()
);

2.2 HNSW 索引

-- dense 向量 HNSW
CREATE INDEX chunks_embedding_hnsw ON chunks
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- sparse 向量 HNSW
CREATE INDEX chunks_sparse_hnsw ON chunks
USING hnsw (sparse_embedding sparse_ip_ops)
WITH (m = 16, ef_construction = 64);

-- 全文索引（BM25 模拟）
CREATE INDEX chunks_tsv_idx ON chunks USING GIN (tsv);

参数说明：

• m = 16：每个节点连接 16 个邻居（默认 16）
• ef_construction = 64：构建时搜索深度（默认 64）
• ef = 40：查询时搜索深度（运行时可调）

三、写入数据（Go）

3.1 安装依赖

go get github.com/pgvector/pgvector-go go get github.com/jackc/pgx/v5

3.2 写入

import (
    github.com/pgvector/pgvector-go
    github.com/jackc/pgx/v5
)

func insertChunk(ctx context.Context, db *pgx.Conn, docID int64, content string, emb []float32) error {
    _, err := db.Exec(ctx, `
        INSERT INTO chunks (document_id, chunk_index, content, embedding)
        VALUES ($1, $2, $3, $4)
    `, docID, 0, content, pgvector.NewVector(emb))
    return err
}

四、检索

4.1 纯向量检索

SET hnsw.ef_search = 100;  -- 查询时精度

SELECT id, content, embedding <=> $1 AS distance
FROM chunks
ORDER BY embedding <=> $1
LIMIT 10;

<=> 是 cosine distance 运算符。

4.2 混合检索（pgvector 0.8 新特性）

WITH vector_search AS (
    SELECT id, content, embedding <=> $1 AS vec_score
    FROM chunks
    ORDER BY embedding <=> $1
    LIMIT 50
),
keyword_search AS (
    SELECT id, content, ts_rank_cd(tsv, plainto_tsquery('chinese', $2)) AS kw_score
    FROM chunks
    WHERE tsv @@ plainto_tsquery('chinese', $2)
    ORDER BY kw_score DESC
    LIMIT 50
),
combined AS (
    SELECT
        id, content,
        0.7 * COALESCE(vec_score, 1.0) + 0.3 * COALESCE(kw_score, 0.0) AS final_score
    FROM vector_search
    FULL OUTER JOIN keyword_search USING (id, content)
)
SELECT * FROM combined
ORDER BY final_score
LIMIT 10;

权重经验值：纯语义查询 vec=0.9/kw=0.1，事实型查询 vec=0.5/kw=0.5。

4.3 重排序（Cross-Encoder）

RAG 经典流程：召回 → 重排 → 生成。

import github.com/knights-analytics/[email protected]

func rerank(ctx context.Context, query string, candidates []string) ([]string, error) {
    r := knightsanalytics.NewReranker("your-model-path")
    scores, _ := r.Rank(ctx, query, candidates)
    // 按分数降序
    sort.SliceStable(candidates, func(i, j int) bool {
        return scores[i] > scores[j]
    })
    return candidates[:5], nil
}

五、性能优化

5.1 索引参数调优

场景	m	ef_construction	ef_search
高精度（Recall > 0.95）	32	128	200
平衡（Recall ~0.9）	16	64	100
高吞吐（Recall ~0.85）	8	32	40

5.2 二进制量化

-- 创建量化后的副本表
CREATE TABLE chunks_quantized (
    id BIGINT,
    embedding binary_vector(1024)  -- 1024 维压缩到 128 字节
);

-- 量化函数（用户自定义）
INSERT INTO chunks_quantized
SELECT id, binary_quantize(embedding) FROM chunks;

32x 压缩比，Recall 损失 < 5%。

5.3 分区表

大表按时间分区：

CREATE TABLE chunks (...) PARTITION BY RANGE (created_at);
CREATE TABLE chunks_2026q2 PARTITION OF chunks
    FOR VALUES FROM ('2026-04-01') TO ('2026-07-01');

六、与专业向量数据库对比

维度	pgvector 0.8	Pinecone	Milvus
QPS（百万级）	5,000	50,000	30,000
部署复杂度	低（已有 PG）	中（SaaS）	高
事务支持	✅	❌	❌
混合检索	✅	❌	⚠️
成本	PG 实例成本	$0.096/小时起	自建

选型建议：

• 100 万向量以下：pgvector（复用 PG 栈）
• 千万级：Milvus 集群
• 实时性要求极高：Pinecone/Qdrant

七、生产部署 Checklist

1. PG 17 + pgvector 0.8 升级
2. shared_buffers = RAM 25%
3. work_mem = RAM 5% / max_connections
4. hnsw.ef_search 写入连接池默认值
5. 监控 pg_stat_user_indexes 看索引使用
6. 定期 VACUUM ANALYZE chunks
7. 备份：pg_dump + WAL 归档

八、参考

• pgvector 0.8 Release Notes
• PostgreSQL 17 性能白皮书
• NVIDIA RAG with pgvector 教程

系列导航：Claude Sonnet 4.6 → 本篇 → AIOps 实战