1. 背景
在 AI 驱动的企业知识管理与自动化运维领域，RAG（Retrieval-Augmented Generation）模式已经成为提升大模型回答准确度和上下文理解能力的关键方案。 传统大模型（LLM）仅依赖训练语料回答问题，而 RAG 在推理前引入外部知识检索，可显著减少幻觉（Hallucination），提升对领域专属知识的掌握能力。
在向量数据库的选择上，pgvector是 PostgreSQL 的一个扩展，具备：
低门槛：PostgreSQL 原生扩展，SQL 即可用，无需额外部署独立向量库 兼容性：支持多种向量距离（L2、内积、余弦相似度） 索引支持：IVFFlat、HNSW 等向量索引优化 事务与安全：继承 PostgreSQL 的事务机制与访问控制
对于企业级 DevOps、ITSM、知识库、FinOps 等系统，pgvector 能帮助我们快速构建一套可控、可扩展的 RAG 数据层。
2. RAG 系统架构
一个典型的pgvector + RAG架构如下：
[用户问题]
↓
[向量化模型 (Embedding Model)]
↓
[pgvector 检索相似文档]
↓
[上下文拼接 + 用户问题]
↓
[LLM 推理]
↓
[回答输出]
在企业落地中，我们一般分三大模块：
数据准备
文档解析（PDF、DOCX、Markdown、HTML、数据库记录等） 分块（Chunking） 向量化（Embedding） 存储到 pgvector 检索增强
接收用户 Query Query 向量化 近似最近邻（ANN）搜索 返回最相似的 N 个文档 生成回答
将检索到的文档内容拼接到用户问题前 调用 LLM（如 OpenAI、Claude、LLaMA 等） 输出带来源引用的回答
3. 数据建模与表结构设计
3.1 创建扩展与表
CREATEEXTENSIONIFNOTEXISTSvector;
CREATETABLEdocuments (
idbigserial PRIMARYKEY,
contenttext,
embedding vector(1536),-- 对应 OpenAI text-embedding-ada-002
metadata jsonb -- 存储文件名、来源、标签等
);
-- 创建 IVFFlat 索引（L2 距离）
CREATEINDEXONdocumentsUSINGivfflat (embedding vector_l2_ops)WITH(lists =100);
ANALYZEdocuments;
embedding vector(1536)的维度需和你使用的向量模型一致
4. 数据入库（Go 实现）
4.1 Go 依赖
go get github.com/jackc/pgx/v5
go get github.com/sashabaranov/go-openai
4.2 插入代码示例
packagemain
import(
"context"
"encoding/json"
"fmt"
"log"
"github.com/jackc/pgx/v5"
openai"github.com/sashabaranov/go-openai"
)
funcmain(){
ctx := context.Background()
conn, err := pgx.Connect(ctx,"postgres://postgres
localhost:5432/testdb?sslmode=disable")
iferr !=nil{
log.Fatal(err)
}
deferconn.Close(ctx)
client := openai.NewClient("YOUR_OPENAI_API_KEY")
text :="RAG 是一种结合检索和生成的技术..."
resp, err := client.CreateEmbeddings(ctx, openai.EmbeddingRequest{
Input: []string{text},
Model: openai.AdaEmbeddingV2,
})
iferr !=nil{
log.Fatal(err)
}
vec := resp.Data[0].Embedding
meta, _ := json.Marshal(map[string]string{"source":"技术白皮书"})
_, err = conn.Exec(ctx,
"INSERT INTO documents (content, embedding, metadata) VALUES ($1, $2, $3)",
text,
fmt.Sprintf("[%s]", floatArrayToString(vec)),
meta,
)
iferr !=nil{
log.Fatal(err)
}
fmt.Println("✅ 文档插入完成")
}
funcfloatArrayToString(arr []float32)string{
s :=""
fori, v :=rangearr {
ifi >0{
s +=","
}
s += fmt.Sprintf("%f", v)
}
returns
}
5. 检索 + RAG 生成
5.1 检索相似文档
SELECTid,content, embedding <-> $1ASdistance
FROMdocuments
ORDERBYembedding <-> $1
LIMIT3;
<->表示 L2 距离，也可以用<#>（余弦距离）。
5.2 Go 中实现检索 + 调用 LLM
query :="什么是 RAG 技术？"
qResp, _ := client.CreateEmbeddings(ctx, openai.EmbeddingRequest{
Input: []string{query},
Model: openai.AdaEmbeddingV2,
})
qVec := fmt.Sprintf("[%s]", floatArrayToString(qResp.Data[0].Embedding))
rows, _ := conn.Query(ctx,
"SELECT content FROM documents ORDER BY embedding <-> $1 LIMIT 3", qVec)
varcontextTextstring
forrows.Next() {
varcontentstring
rows.Scan(&content)
contextText += content +"\n"
}
prompt := fmt.Sprintf("已知信息：\n%s\n\n问题：%s\n请基于已知信息回答，并引用来源。", contextText, query)
ans, _ := client.CreateChatCompletion(ctx, openai.ChatCompletionRequest{
Model: openai.GPT4o,
Messages: []openai.ChatCompletionMessage{
{Role:"user", Content: prompt},
},
})
fmt.Println("回答:", ans.Choices[0].Message.Content)
6. 性能与优化建议
分块策略
每块 300~500 token 重叠（overlap）50~100 token 避免上下文断裂
索引参数调优
lists越大，召回率高但插入变慢可通过离线评估（Recall@K）调整
批量写入
使用 COPY或批量事务插入向量避免单条写入延迟
混合检索（Hybrid Search）
BM25 + 向量搜索加权排序 结合 pgvector 与 PostgreSQL 全文检索（tsvector）
分库分表
企业级大规模数据建议分 shard pgvector 与 Citus 分布式 PG 可结合
7. 企业级应用案例
ITSM 智能工单
工单内容向量化存储 用户输入问题 → 相似历史工单匹配 → 提供解决方案 企业知识库
将内部 Wiki、标准作业流程（SOP）文档向量化 LLM 调用前先检索最相关内容，确保回答准确 DevOps 日志分析
日志片段向量化 按相似度聚类与分析，快速定位问题
8. 总结
pgvector 让RAG 系统的数据层落地成本极低，在企业内可以直接复用现有 PostgreSQL 基础设施，享受事务、安全、备份等优势。 结合 OpenAI Embedding API 或本地向量化模型（如 bge、Instructor XL），可以快速搭建高可用、可扩展的企业知识增强问答系统。