理解 Embedding、向量相似度与 PGvector

在学习向量数据库时，很多人一上来就看 PGvector、看 SQL、看索引，但真正让人卡住的，往往是最基础的三个问题：

什么是 embedding
什么是向量相似度
PGvector 里的 vector 类型和距离运算，到底在解决什么问题

一、什么是 Embedding

先给一句最简洁的定义：

Embedding，就是把文本、图片、音频这类原始内容，转换成一组可以参与计算的数字。

比如，一段文本经过模型编码之后，可能会变成这样一串数字：

[0.12, -0.33, 0.78, 0.05, ...]

这组数字就叫做 embedding，也叫“嵌入向量”。

1. Embedding 的本质是什么

很多人第一次看到向量，会下意识觉得：

“是不是把原文做了某种加密？”

其实不是。

embedding 不是原文的密文，也不是简单的数字编号，而是模型对内容的一种“语义表达”。

换句话说，它试图把“这段内容在说什么”编码进一组数字里。

所以它保存的不是字面形式，而是更偏向：

主题
语义
上下文关系
与其他内容的相似程度

2. 为什么需要 Embedding

传统数据库擅长的是结构化查询，比如：

id = 1001
status = 'published'
price > 100
name LIKE '%postgres%'

这类查询本质上都是在比对“值”。

但很多智能搜索场景，真正想找的并不是“值相同”，而是“意思相近”。

例如：

用户搜“怎么退货”，希望找到“退款申请流程”
用户问“Postgres 能做语义检索吗”，希望找到“PGvector 向量搜索”相关内容
用户输入“数据库事务能力”，希望系统理解这和 ACID、一致性、回滚有关

这时候，如果还是靠关键词精确匹配，效果往往一般；而 embedding 的价值，就是把“语义”变成“可比较的数字表示”。

3. 一个直观例子

来看两组句子。

第一组：

怎么退货
退款流程怎么走

虽然字面不完全一样，但语义非常接近，所以它们对应的 embedding 往往也比较接近。

第二组：

怎么退货
今天天气不错

这两句话的主题几乎没有关系，所以对应的向量通常会离得更远。

这就是 embedding 最核心的作用：

把“语义接近”这件事，变成可以用数学方法衡量的东西。

4. 一句话记忆

如果只记一句话，可以记成：

Embedding 是把内容的语义信息压缩成一组数字向量。

二、什么是向量相似度

有了 embedding 之后，下一步就是比较：

两个向量到底像不像。

这就是“向量相似度”。

1. 它本质上在比较什么

本质上，是在比较两组数字之间的关系。

但别被“数字”这个形式带偏，向量相似度真正想回答的问题其实是：

这两段内容是不是在讲相近的话题
它们的语义方向是否接近
它们是否可以被认为是“相似内容”

比如有三条内容：

A：PostgreSQL 是关系型数据库
B：PGvector 是 Postgres 的向量扩展
C：Redis 是内存数据库

如果查询是：

Postgres 向量检索

那么查询向量通常会更接近 A 和 B，而离 C 更远。

2. 向量相似度为什么重要

因为 AI 搜索和推荐系统，很多时候不需要“完全一样”，而是需要“最相关”。

这类场景包括：

语义搜索
RAG 知识检索
推荐系统召回
相似文章发现
图片相似搜索
商品描述去重

这些场景背后的关键动作，其实都是：

给定一个查询向量，找出数据库里最接近它的若干条记录。

3. 常见的三种度量方式

（1）欧氏距离 `L2`

欧氏距离可以理解成：

两个点在空间中的直线距离。

距离越小，说明两个向量越接近。

它更像是在看“离得有多远”。

（2）余弦距离 / 余弦相似度

余弦更关注的是“方向是否接近”，而不是绝对长度。

这在文本场景里很常见，因为很多时候我们关心的是：

两段内容表达的方向、主题、语义是否一致。

所以在文本语义检索中，余弦距离经常是默认优先考虑的方案。

（3）内积 `Inner Product`

内积通常可以理解为一种“匹配强度”。

它在推荐系统、召回排序等场景也很常见，尤其是在某些模型训练目标就是围绕内积来构建时。

4. 一个极简例子

假设有三个二维向量：

A：[1, 2]
B：[1.1, 2.1]
C：[9, 9]

直觉上：

A 和 B 很接近
A 和 C 很远

所以如果拿 A 作为查询条件，B 更可能被判断为“相似结果”。

这个例子虽然很简单，但已经足够说明向量检索的基本思想：

通过比较距离或方向，找出最接近的内容。

5. 一句话记忆

可以这样记：

向量相似度，就是用数学方法判断两个 embedding 在语义上有多接近。

三、PGvector 是什么

理解了 embedding 和“相似度”之后，再看 PGvector 就会顺很多。

PGvector 不是一个独立的数据库，而是 PostgreSQL 的一个扩展。

它给 PostgreSQL 增加了几项关键能力：

存储向量
计算向量距离
做相似度排序
构建向量索引（如 HNSW、IVFFlat）

所以更准确地说：

PGvector 是让 PostgreSQL 具备向量检索能力的扩展。

这也是为什么很多团队会选择 PostgreSQL + PGvector 这套组合：

继续用熟悉的 SQL
不用单独维护一套向量数据库
业务字段和向量字段可以放在同一张表里
可以把“结构化过滤”和“向量搜索”组合起来用

四、PGvector 的 `vector` 类型是什么

PGvector 最核心的能力之一，就是提供了一个新的字段类型：vector。

1. `vector(n)` 的含义

例如：

embedding VECTOR(3)

表示这个字段里存的是一个 3 维向量。

如果你使用的 embedding 模型输出是 768 维，那么字段通常会定义成：

embedding VECTOR(768)

如果模型输出是 1536 维，那就定义成：

embedding VECTOR(1536)

也就是说，维度必须和你使用的模型保持一致。

2. 一个最小建表示例

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE documents (
    id BIGSERIAL PRIMARY KEY,
    content TEXT,
    embedding VECTOR(3)
);

这个表里：

content 用来存原始文本
embedding 用来存这段文本对应的向量

3. 插入向量数据

INSERT INTO documents (content, embedding) VALUES
('PostgreSQL 是关系型数据库', '[0.1, 0.2, 0.3]'),
('PGvector 支持向量检索', '[0.11, 0.19, 0.31]'),
('Redis 是内存数据库', '[0.9, 0.8, 0.7]');

这一步的意义是：

数据库里存的已经不只是文本本身，还包括文本对应的语义表示。

这也是后续“相似度搜索”能够成立的基础。

五、PGvector 的距离运算在做什么

向量入库之后，下一步就是检索。

PGvector 提供了几种常见的距离运算符，用来比较表中向量和查询向量之间的关系。

1. 欧氏距离：`<->`

SELECT id, content
FROM documents
ORDER BY embedding <-> '[0.1, 0.2, 0.29]'
LIMIT 2;

这段 SQL 的意思是：

把表里每一行的 embedding 都拿出来
分别和查询向量 [0.1, 0.2, 0.29] 计算欧氏距离
按距离从小到大排序
取最接近的 2 条记录

距离越小，通常说明越相似。

2. 余弦距离：`<=>`

SELECT id, content
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, 0.29]'
LIMIT 2;

这类写法在文本语义检索里非常常见。

原因很简单：文本 embedding 往往更适合比较“方向上的接近程度”，而不是数值本身的绝对差距。

所以如果你做的是：

语义搜索
知识库检索
RAG 召回

通常会优先考虑余弦距离。

3. 内积：`<#>`

SELECT id, content
FROM documents
ORDER BY embedding <#> '[0.1, 0.2, 0.29]'
LIMIT 2;

内积经常出现在推荐和召回场景中。

它更像是在计算一种“匹配程度”或“打分关系”。

是否选择内积，通常和你使用的模型训练方式、向量归一化方式有关。

六、如何理解向量检索的 SQL

向量检索最典型的写法就是：

ORDER BY embedding <=> query_vector
LIMIT K

可以把它拆成四步理解：

把用户输入转换成查询向量
拿查询向量和表中每条记录的向量做比较
按距离或相似度排序
取前 K 条结果

这就是常说的：

Top K 检索
最近邻搜索
相似度搜索

所以从数据库的角度看，向量检索其实并不神秘，它本质上就是：

对 vector 列做距离排序，然后返回最接近的若干条记录。

七、把三者串起来理解

到这里，可以把整条链路完整地连起来了。

第一步：原始内容

比如有一段文本：

PostgreSQL 支持事务

第二步：生成 Embedding

通过模型把这段文本转换成向量，例如：

[0.12, -0.33, 0.78, 0.05, ...]

第三步：写入 PostgreSQL

把文本和向量一起存入数据库：

原文存在 content
向量存在 embedding

第四步：生成查询向量

用户输入一个问题，比如：

Postgres 的事务能力

系统会把这个问题也转换成一个查询向量。

第五步：执行向量检索

数据库使用：

embedding <-> query_vector
或 embedding <=> query_vector
或 embedding <#> query_vector

去比较相似度，并返回最接近的结果。

这就是向量检索最核心的工作路径。

八、初学者最容易混淆的几个点

1. `Embedding` 不是原文

它不是文本本身，而是文本的数字化语义表示。

2. 向量检索不是精确匹配

它不是在找“完全一样的词”，而是在找“意思接近的内容”。

3. `PGvector` 不是独立数据库

它是 PostgreSQL 的扩展，而不是一个新的数据库产品。

4. `vector` 维度不能随便写

它必须和你的 embedding 模型输出维度一致。

5. 不是所有场景都默认用同一种距离

文本语义检索：常见优先考虑余弦距离
某些推荐场景：可能更偏内积
一些数值空间任务：可能会考虑欧氏距离

具体选型，最好结合模型特性和效果测试来决定。

九、一个最小可运行示例

下面这个例子，可以把前面的概念串成一条完整的链路：

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE articles (
    id BIGSERIAL PRIMARY KEY,
    title TEXT NOT NULL,
    content TEXT NOT NULL,
    embedding VECTOR(3)
);

INSERT INTO articles (title, content, embedding) VALUES
('PostgreSQL 简介', '关系型数据库', '[0.1, 0.2, 0.3]'),
('PGvector 简介', 'PostgreSQL 向量扩展', '[0.11, 0.19, 0.29]'),
('Redis 简介', '内存数据库', '[0.9, 0.8, 0.7]');

SELECT id, title
FROM articles
ORDER BY embedding <=> '[0.1, 0.2, 0.31]'
LIMIT 2;

这个例子表达了三件事：

向量可以作为数据库字段存储
查询时可以按向量距离排序
数据库可以直接返回最相似的内容

这也是 PGvector 最基础、最核心的使用方式。

十、总结

可以把全文压缩成三句话：

1. 什么是 Embedding

Embedding 是把文本、图片等内容转换成数字向量，让语义可以被计算。

2. 什么是向量相似度

向量相似度是通过数学方法比较两个向量是否接近，从而判断两段内容在语义上是否相似。

3. PGvector 在做什么

PGvector 让 PostgreSQL 可以直接存储向量，并通过距离运算实现相似度检索。

如果只记住一句总纲，可以记成：

内容先被模型转换成 embedding，再存入 PGvector 的 vector 字段；查询时通过距离运算找出最相近的结果，这就是向量检索最基础的工作方式。

理解向量数据库的基础