Postgres as Vector Database with pgvector
Zusammenfassung
Kurz
Der vollständige Bericht zeigt die Grundlagen von pgvector: Vektoren in PostgreSQL speichern, mit Kosinusdistanz ähnliche Einträge finden und Ergebnisse mit Volltextsuche oder anderen Daten kombinieren. Die Beispiele sind klein; der Autor nennt mögliche Grenzen bei sprachübergreifenden Embedding-Vergleichen, und der Text enthält keine Benchmarks oder ausführliche Skalierungsbewertung.
Mittel
Der vollständige Bericht erklärt, wie pgvector PostgreSQL um Vektorspeicherung und Ähnlichkeitssuche erweitert. Der Autor beschreibt Vektoroperationen, Distanzmaße und Funktionen. Vektoren ließen sich wie andere Spalten bearbeiten; der Text nennt bis zu 16.000 Dimensionen mit 32-Bit-Gleitkommazahlen. Für höhere Genauigkeit seien auch `double precision[]` oder `numeric[]` möglich.
Nach dem Aktivieren der Erweiterung zeigt der Autor eine Tabelle mit Text und 1024-dimensionalen Embeddings. Ein Rust-Beispiel erzeugt normierte Einbettungen mit Amazon Bedrock Titan. Die SQL-Beispiele berechnen Kosinusähnlichkeit, suchen nächste Nachbarn und filtern Treffer anhand eines Schwellenwerts. Der Autor weist darauf hin, dass die passende Vektordimension vom Embedding-Verfahren abhängt; seine Angabe von 1536 Dimensionen für OpenAI ist ausdrücklich unsicher. Außerdem könnten Bedrock-Vektoren sprachübergreifende Ähnlichkeit nur begrenzt erfassen.
Als Vorteile nennt der Bericht die Verbindung von Vektorsuche mit PostgreSQL-Volltextsuche und mit vorhandenen Daten, etwa Zugriffszahlen oder Preisen. Die Beispiele sind klein; Benchmarks und eine ausführliche Behandlung von Indexierung oder Skalierung fehlen.
Ausführlich lesen
Der vollständige Bericht stellt pgvector als PostgreSQL-Erweiterung für Vektorspeicherung und Ähnlichkeitssuche vor. Der Autor beschreibt, dass sich damit exakte und approximative Nachbarschaftssuchen mit verschiedenen Distanzmaßen ausführen lassen. Ein wesentlicher Vorteil sei, Vektoren zusammen mit den übrigen Anwendungsdaten in PostgreSQL zu speichern und Suchergebnisse mit vorhandenen Funktionen der Datenbank zu verbinden.
Der Text skizziert zunächst die Eigenschaften des Vektortyps: Vektorspalten lassen sich laut Bericht wie gewöhnliche Spalten einfügen, aktualisieren, ersetzen und löschen. Ein Vektor belege vier Byte je Dimension zuzüglich acht Byte; erlaubt seien bis zu 16.000 Dimensionen mit endlichen 32-Bit-Gleitkommazahlen. Für höhere Genauigkeit nennt der Autor alternativ Arrays aus double precision oder numeric. Aufgeführt werden elementweise Rechenoperationen, Verkettung, Abstandsoperatoren für unter anderem euklidische, kosinusbasierte und Manhattan-Distanzen sowie Funktionen und Aggregate wie Normierung, Mittelwert und Summe.
Als praktisches Beispiel aktiviert der Autor die Erweiterung einmal pro Datenbank mit `CREATE EXTENSION vector` und legt eine Tabelle mit Textinhalt und einem 1024-dimensionalen Embedding an. Die passende Dimension hänge vom verwendeten Embedding-Verfahren ab. Für OpenAI nennt der Autor beispielhaft 1536 Dimensionen, kennzeichnet dies aber selbst als unsichere Einschätzung. Wenn Vektoren verschiedener Dimensionen in einer Spalte liegen sollen, empfiehlt der Text den allgemeinen Typ `vector` ohne festgelegte Dimension. Ein Rust-Codebeispiel zeigt die Erzeugung normierter 1024-dimensionaler Einbettungen mit Amazon Bedrock Titan.
Die SQL-Beispiele berechnen Ähnlichkeit als eins minus Kosinusdistanz. Sie suchen zunächst die nächsten Einträge zu einem neuen japanischen Textvektor, fügen diesen anschließend ein und suchen ähnliche Einträge zu einer vorhandenen Zeile. Ein weiteres Beispiel filtert Treffer nach einem Ähnlichkeitsschwellenwert von über 0,2. Die Demonstration verwendet nur sehr wenige Beispieldatensätze; der Autor merkt zudem an, dass Bedrock-Einbettungen sprachübergreifende Vergleiche möglicherweise nur begrenzt abbilden. Er hatte für einen englischen Beispielsatz einen nahezu perfekten Ähnlichkeitswert erwartet, stellt aber keine systematische Messung dazu vor.
Als Gründe für pgvector hebt der Autor die Kombination von Vektorsuche mit PostgreSQL-Volltextsuche und die Nutzung weiterer Daten zum Filtern oder Sortieren hervor. Genannt werden Suchrangfolgen aus Volltextsuche sowie Zugriffszahlen oder Preise. Der Bericht erklärt die Grundlagen und zeigt kleine Abfragen, liefert aber keine Benchmarks, keinen Vergleich mit spezialisierten Vektordatenbanken und keine ausführliche Bewertung von Indexierung oder Skalierung.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Für Lunas Einordnung wurde nur die Sammelfrage SF-E4 angegeben, keine Teilfragen. Die Bewertung bezieht sich daher nur auf SF-E4.
Im Bericht, aber nicht in der Zusammenfassung
- Beispiele für Nächste-Nachbarn-Suche und Schwellenwertfilter (nur in der mittleren Fassung genannt)
- Rust-Code mit Amazon Bedrock Titan zur Erzeugung der Embeddings (nur in der mittleren Fassung genannt)
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 75 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht