使用pgvector将数据向量化

### 使用 pgvector 将数据转换为向量形式

为了在 PostgreSQL 中使用 `pgvector` 扩展来处理和存储向量数据，需先安装并启用该扩展。以下是具体操作方法：

#### 安装 pgvector 扩展

确保已具备管理员权限或超级用户权限，在目标数据库上执行如下 SQL 命令以创建 `pgvector` 扩展。

CREATE EXTENSION IF NOT EXISTS vector;

此命令会下载并激活必要的组件以便支持向量类型的定义及其索引功能[^1]。

#### 创建表结构用于保存向量数据

假设有一个场景是要存储图像特征描述符作为浮点数数组表示的向量，则可以设计一张表格专门用来容纳这些信息。

CREATE TABLE images (
    id SERIAL PRIMARY KEY,
    name TEXT NOT NULL,
    features VECTOR(128) -- 这里假定每张图片有 128 维度的特征向量
);

上述语句中的 `VECTOR(128)` 表明每一项记录都关联着一个固定长度为 128 的实数值序列，代表对应实体（这里是图像）经过某种算法提取出来的特性集合[^2]。

#### 插入带有向量化数据的新纪录

当准备好了要存入的数据之后——比如通过机器学习模型得到的一系列多维坐标点——就可以利用标准 INSERT 语法将其加入到之前建立好的表单之中。

INSERT INTO images (name, features)
VALUES ('example_image', '[0.1, 0.2, ..., 0.9]'::VECTOR); -- 注意这里的字符串应该替换为你实际拥有的向量值列表

这里需要注意的是，输入给 `features` 字段的内容应当是一个由逗号分隔开来的数字串，并且外面包裹着方括号以及双引号；同时还要记得加上类型强制转换标记 "::VECTOR" 来告知系统当前传递过来的信息属于哪种特殊格式[^3]。

#### 查询相似对象

一旦完成了前期准备工作，便能够运用内置函数来进行基于距离度量的检索工作了。例如下面这段代码片段展示了怎样找出与指定样本最接近的一些条目：

SELECT *
FROM images i
ORDER BY i.features <-> '[target_vector_values]'::VECTOR LIMIT 10; -- "i.features <-> target_vector" 计算两个向量间的欧几里得距离

在这个例子中，“<->”运算符被用来计算两组向量之间的差异程度，从而帮助定位那些彼此间具有较高相似性的实例。而最后附加上的 `LIMIT` 子句则限定了返回结果的数量范围[^4]。