IvorySQL 多模融合实战：pgvector + AGE + pg_textsearch 在同一实例中的协同验证

IvorySQL IvorySQL 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 401平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-11-08 12:08:08 发布 401 阅读 AI 写同款· GEO 优化 ›
「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品） 阅读详情

作者：魏波，北京晟数科技技术顾问、PG 分会副秘书长。

引言

随着企业智能知识库对多模数据处理能力的需求不断提升，如何在同一数据库实例中协同实现向量检索、图数据分析与全文搜索，成为值得验证的实践方向。本文以 IvorySQL 5.4（基于 PostgreSQL 18.4） 为验证对象，基于 Windows 11 + Docker Desktop 环境，通过 IvorySQL 官方镜像，对 pgvector、AGE 与 pg_textsearch 的协同能力进行实测验证。

一、总体支持情况概览

1.1 研究视角：IvorySQL 统一数据底座的可行性验证

在企业智能知识库架构中（如 LLM WIKI + GBrain + Agentic RAG 方案），
IvorySQL 被定位为"统一数据底座"——在同一数据库实例内同时支撑三大检索层：

  • 关键词召回：pg_textsearch / pg_bigm 全文检索，确保术语、编号的精确匹配
  • 语义补全：pgvector 向量相似度查询，覆盖同义改写和跨语言场景
  • 图谱推理：Apache AGE 知识图谱，支持实体关系的多跳推理

三者可在同一 PostgreSQL 实例内完成协同查询，无需引入 Elasticsearch + Milvus + Neo4j 等多组件架构。

本文为该系列第一篇，聚焦基础能力验证：三大功能领域能否在 IvorySQL 5.4 上同时安装、建表、执行基础查询？后续文章将逐步展开双路混合检索、GBrain 图谱存储验证与 Agentic RAG 集成测试。

验证声明：本文所有测试用例均已在 Windows 11 + Docker Desktop 环境中，基于 IvorySQL 5.4 官方镜像 5.4-ubi8（PostgreSQL 18.4）并源码编译安装全部四个多模扩展（pgvector + AGE + pg_bigm + pg_textsearch）后全部验证通过。为便于读者复现，全文以公开镜像 5.4-ubi8 为统一基线，6.1 给出「裸镜像快速部署 + 逐扩展编译」的完整步骤。

1.2 扩展能力总览

功能领域支持扩展版本支持状态核心能力
向量数据pgvector0.8.5✅ 完全支持16000 维向量、HNSW/IVFFLAT 索引、余弦/欧氏/内积/曼哈顿距离计算
知识图谱Apache AGE1.7.0-rc0（PG18 分支预发布）✅ 完全支持openCypher 查询、属性图模型、SQL 混合查询、ACID 事务
全文检索pg_textsearch / pg_bigm / PGroonga / 内置 tsvector0.6.1 / 1.2 / 最新✅ 完全支持BM25 排序、中日韩分词、模糊检索、短语检索

二、向量数据支持详情

2.1 技术方案

IvorySQL 通过 pgvector 扩展实现向量数据支持。pgvector 是 PostgreSQL 生态中最重要的向量扩展，IvorySQL 从 3.0 版本开始官方适配，在最新的 5.4 版本中进一步强化了 AI 能力，新增了 pg_ai_query 扩展。

命名约定：pgvector 是项目社区名称，数据库内扩展名为 vector，对应 CREATE EXTENSION vector。本文后续统称"pgvector 扩展"以保持与项目文档一致，但所有 SQL 命令均使用扩展名 vector。

2.2 核心特性

  • 高维支持：最大支持 16000 维向量
  • 索引算法：
    • HNSW（Hierarchical Navigable Small World）：查询性能更优，支持实时插入
    • IVFFLAT（Inverted File Flat）：构建更快，内存占用更少
  • 距离度量：
    • 欧氏距离（<->）
    • 余弦相似度（<=>）
    • 内积（<#>）
    • 曼哈顿距离（<+>，v0.7.0+）
  • Oracle 兼容模式：pgvector 在 IvorySQL 的 Oracle 兼容模式下完全可用，支持在 PL/SQL 匿名块、存储过程、函数中使用 vector 类型

2.3 适用场景

  • RAG（检索增强生成）语义搜索
  • 电商商品相似度推荐
  • 图像/音频特征检索
  • AI Embedding 存储与检索

三、知识图谱支持详情

3.1 技术方案

IvorySQL 通过 Apache AGE（A Graph Extension）扩展提供图数据库能力。AGE 是 PostgreSQL 的图数据库扩展，支持 openCypher 查询语言。

3.2 核心特性

  • 属性图模型：在 PostgreSQL 内原生支持属性图
  • openCypher 语法：兼容 Neo4j 查询语法
  • SQL 混合查询：图查询结果可与关系表 JOIN，实现图+关系数据联合分析
  • ACID 事务：继承 PostgreSQL 的事务能力
  • 图结构：支持 Graph（图空间）、Vertex（节点）、Edge（边）、Label（标签）、Property（属性）

3.3 适用场景

  • 社交网络分析
  • 知识图谱构建与查询
  • 欺诈检测
  • 推荐系统
  • 路径规划
  • GraphRAG（图增强的 RAG）

3.4 重要说明

Apache AGE 使 IvorySQL 具备图数据处理能力，但 IvorySQL 本质仍是关系型数据库。对于大规模图场景（十亿级以上节点、高并发多跳遍历），建议搭配专用图数据库（如 TuGraph、NebulaGraph）使用，以获得更优的图遍历性能。

⚠️ 版本风险提示：本文编译安装的是 AGE PG18/v1.7.0-rc0 预发布分支（pg18 当前最新稳定版为 2026-07-03 发布的 v1.8.0）。RC 版本核心功能可用，但生产环境建议等待正式版发布后再上线，或在升级前充分测试兼容性和稳定性。

四、全文检索支持详情

4.1 技术方案

IvorySQL 提供多层级全文检索方案：

扩展名称版本功能定位适用场景
pg_textsearch0.6.1BM25 高性能全文检索，AI 工作负载优化文档检索、混合搜索（向量+全文）
pg_bigm1.2二元分词（2-gram），中日韩文本优化短关键词模糊匹配、相似度查询
PGroonga最新全文检索增强多语言全文检索
zhparser最新中文分词中文精准搜索
pg_jieba最新中文结巴分词中文语义分词
内置 tsvectorPG 原生标准全文检索多语言配置化检索

4.2 核心特性

  • BM25 相关性排序：pg_textsearch 提供现代 BM25 排名函数
  • 混合搜索：支持与向量检索结合，实现语义+关键词双重召回
  • 中日韩优化：pg_bigm 通过 2-gram 分词，无需词典即可高效处理 CJK 文本
  • 模糊检索：支持相似度阈值控制（=% 操作符）
  • 短语检索：支持关键词顺序匹配（slop 参数控制间隔）

4.3 选型指南：什么时候用哪个？

全文检索的多种方案并不是"选一个用就行"——它们解决不同的问题。先分清两类：

  • 检索 / 排名引擎：提供"怎么搜、怎么排"的完整能力，开箱即用。代表：pg_bigm（2-gram 模糊）、pg_textsearch（BM25 排名）。
  • 中文分词器（tsvector parser）：只负责"把中文切对词"，本身不做检索排名，必须搭配 PostgreSQL 内置 tsvector + ts_rank 使用。代表：zhparser、pg_jieba（底层分别依赖 SCWS / jieba 词典）。
检索 / 排名引擎对比（pg_bigm vs pg_textsearch）
维度pg_bigmpg_textsearch
核心算法2-gram 二元分词BM25 相关性排名
文本处理按字符滑动切片，无需词典依赖 PostgreSQL 语言配置（english/simple 等）
中文适配✅ 天然支持中日韩，不用装分词器❌ 需额外配置中文分词（zhparser/pg_jieba）
排序方式相似度阈值判断（=%）相关性分数排名（负分越负越好）
查询方式LIKE、likequery 模糊匹配<@> 操作符，短语/关键词搜索
典型场景短关键词模糊搜索、"记不全名字"时补全文档检索、RAG 粗排、Top-K 排序
成熟度稳定（v1.2）官方镜像没有预装任何插件
中文分词器（tsvector parser）：zhparser / pg_jieba
维度zhparserpg_jieba
类型tsvector 中文分词器tsvector 中文分词器
底层依赖SCWS 中文分词词典库jieba 分词词典
使用方式CREATE TEXT SEARCH CONFIGURATION ... PARSER = zhparser 接入内置 tsvector同上，接入内置 tsvector
与上文关系不与 pg_bigm / pg_textsearch 直接竞争，而是为 tsvector 提供中文切词能力同左
典型场景中文精准全文检索（需排名时用 tsvector + ts_rank）中文语义分词检索

⚠️ 备注 ：zhparser / pg_jieba 属于"分词层"，必须先系统级安装 SCWS 词典库、再编译扩展，依赖比 pg_bigm / pg_textsearch 重；且它们只解决"中文怎么切词"，排名需配合内置 tsvector + ts_rank。本文验证主线聚焦"同一实例内 4 个扩展共存"（pgvector 预装 + AGE + pg_bigm + pg_textsearch），故未把 zhparser 纳入实验，仅在能力清单中标注其定位。需要中文精准分词时，可在此基础上另行安装并用 tsvector 接入。

简单口诀：

  • 记不住精确名称、做模糊补全 → pg_bigm
  • 要做相关性排序、Top-N 文档检索 → pg_textsearch
  • 两者组合 → pg_bigm 粗筛 + pg_textsearch 精排
  • 要做中文精准分词（接 tsvector）→ zhparser / pg_jieba（需 SCWS 依赖）

补充说明：PGroonga 提供更全面的多语言全文检索（含中文）；内置 tsvector 是 PG 原生方案，适合已有分词需求的场景。

五、版本与部署建议

5.1 版本选择

  • 推荐版本：IvorySQL 5.4（基于 PostgreSQL 18.4，2026 年 6 月发布）
  • 生态最完整：覆盖 AI、GIS、全文检索、运维监控等 20+ 扩展
  • 云原生支持：提供 Docker、K8s、Operator 等多种部署方式

5.2 部署方式对比

方式难度适用场景耗时
Docker⭐ 极简开发测试、快速体验5 分钟
YUM/DNF⭐⭐ 简单生产环境（EL8/EL9）15 分钟
DEB⭐⭐ 简单生产环境（Debian/Ubuntu）15 分钟
源码编译⭐⭐⭐⭐ 复杂定制需求、学习研究30-60 分钟

六、上手指南：验证多模融合

6.1 环境准备（Docker 快速部署）

环境说明：以下命令已在 Windows 11 + Docker Desktop 环境中验证通过。这些 docker 命令在 macOS（Docker Desktop）和 Linux（Docker Engine）环境下同样适用，仅 Docker 安装方式不同。

# 1. 安装 Docker Desktop（如未安装）
# Windows/macOS: 从 https://www.docker.com/products/docker-desktop/ 下载安装
# Linux: sudo apt install docker.io 或 sudo yum install docker-ce

# 2. 拉取 IvorySQL 5.4 镜像（国内镜像源）
docker pull registry.highgo.com/ivorysql/ivorysql:5.4-ubi8

# 3. 启动容器（端口映射可根据实际环境调整；POSTGRES_INITDB_ARGS 确保 UTF-8 编码）
#    注：官方 5.4-ubi8 镜像仅预装 Oracle 兼容基础扩展，未预装多模扩展，
#        启动后需按下文「扩展安装」小节编译 pgvector / AGE / pg_bigm / pg_textsearch。
docker run --name ivorysql-verify \
  -p 5434:5432 \
  -e POSTGRES_INITDB_ARGS="--encoding=UTF8 --locale=C.utf8" \
  -e IVORYSQL_PASSWORD=IvorySQL@2026 \
  -e IVORYSQL_DB=ivorysql \
  -d registry.highgo.com/ivorysql/ivorysql:5.4-ubi8

# 4. 等待启动完成（约 10 秒后执行后续命令）
docker logs --tail 5 ivorysql-verify

# 5. 连接数据库（后续所有操作在此会话内执行）
docker exec -it ivorysql-verify psql -U ivorysql -d ivorysql
扩展安装：pgvector / AGE / pg_bigm / pg_textsearch

上文 6.1 用官方 5.4-ubi8 启动的 ivorysql-verify 容器，标准镜像仅预装 Oracle 兼容基础扩展（ivorysql_ora、liboracle_parser、gb18030_2022），未预装任何多模扩展。因此下文需从源码编译安装全部四个扩展（pgvector + AGE + pg_bigm + pg_textsearch）。以下操作均在容器内执行（docker exec -it ivorysql-verify bash 进入）。

1. 安装编译工具（一次执行）

dnf install -y gcc gcc-c++ make bison flex git readline-devel zlib-devel

2. pgvector —— 向量检索

cd /tmp
git clone --depth 1 --branch v0.8.5 https://github.com/pgvector/pgvector.git pgvector-build
cd pgvector-build
PG_CONFIG=/var/local/ivorysql/ivorysql-5/bin/pg_config
make PG_CONFIG=$PG_CONFIG && make PG_CONFIG=$PG_CONFIG install

3. Apache AGE —— 图数据库扩展
AGE 为 PostgreSQL 增加 openCypher 图查询能力，支持属性图模型和 Cypher + SQL 混合查询。

cd /tmp
git clone --depth 1 --branch PG18/v1.7.0-rc0 https://github.com/apache/age.git age-build
cd age-build
PG_CONFIG=/var/local/ivorysql/ivorysql-5/bin/pg_config
make PG_CONFIG=$PG_CONFIG && make PG_CONFIG=$PG_CONFIG install

4. pg_bigm —— 中日韩二元分词
pg_bigm 通过 2-gram 滑动窗口将中英文字符统一切片，无需词典即可实现高效模糊搜索。

cd /tmp
git clone --depth 1 https://github.com/pgbigm/pg_bigm.git pg_bigm-build
cd pg_bigm-build
INCDIR=$(/var/local/ivorysql/ivorysql-5/bin/pg_config --includedir-server)
PKGLIB=$(/var/local/ivorysql/ivorysql-5/bin/pg_config --pkglibdir)
SHAREDIR=$(/var/local/ivorysql/ivorysql-5/bin/pg_config --sharedir)/extension
gcc -fPIC -O2 -I$INCDIR -c bigm_op.c bigm_gin.c
gcc -shared -o pg_bigm.so bigm_op.o bigm_gin.o
cp pg_bigm.so $PKGLIB/
cp *.sql pg_bigm.control $SHAREDIR/

注意：pg_bigm 的 make 依赖 PGXS（镜像中缺省），上述命令改用直接 gcc 编译绕过此限制。

5. pg_textsearch —— BM25 全文检索
pg_textsearch 为 PostgreSQL 引入 BM25（Best Match 25）相关性排序算法，支持短语检索和 Top-K 查询。本文使用其 v0.6.1 源码编译（早期版本，v1.x 已发布稳定版）。

cd /tmp
git clone --depth 1 https://github.com/timescale/pg_textsearch.git pg_textsearch-build
cd pg_textsearch-build
git fetch --tags && git checkout v0.6.1
PG_CONFIG=/var/local/ivorysql/ivorysql-5/bin/pg_config
make PG_CONFIG=$PG_CONFIG && make PG_CONFIG=$PG_CONFIG install

pg_textsearch 与 Apache AGE 均需在 ivorysql.conf 中配置 shared_preload_libraries 并重启数据库。AGE 的内存钩子和事务钩子若不在启动时挂载，会话级 LOAD 'age' 仅能临时使用，存在内存泄漏风险——生产环境必须预加载。

# 把 age 和 pg_textsearch 一起加到预加载列表
sed -i "s/shared_preload_libraries = .*/shared_preload_libraries = 'gb18030_2022, liboracle_parser, ivorysql_ora, age, pg_textsearch'/" \
  /var/local/ivorysql/ivorysql-5/data/ivorysql.conf

# 退出容器后执行重启
exit
docker restart ivorysql-verify
# 等待约 5 秒，重新进入数据库
docker exec -it ivorysql-verify psql -U ivorysql -d ivorysql

安装验证：

SELECT name FROM pg_available_extensions
WHERE name IN ('vector','age','pg_bigm','pg_textsearch');
-- 应返回 vector | age | pg_bigm | pg_textsearch 四条

运行时验证（数据库启动后确认所有扩展加载成功）：

SELECT extname, extversion FROM pg_extension
WHERE extname IN ('vector','age','pg_textsearch','pg_bigm') ORDER BY extname;
-- 应返回 age | pg_bigm | pg_textsearch | vector 四条

1.png

以下所有操作均在此 psql 会话中执行，请勿中途切换实例。

6.2 向量检索（pgvector）

验证场景：模拟电商商品推荐——5 个商品（3 款电子产品 + 2 款鞋包），每条商品对应一个 120 维特征向量。验证目标：1）余弦/欧氏两种距离能否正确排序相似商品；2）HNSW 索引能否加速查询；3）WHERE 条件过滤能否精确排除无关品类。

读者指引：以下每个操作包含 SQL 命令、预期输出和截图预留位置。

操作 1-1：创建 pgvector 扩展
CREATE EXTENSION IF NOT EXISTS vector;

预期输出：CREATE EXTENSION 或 NOTICE: extension "vector" already exists, skipping

2.png

操作 1-2：创建商品向量表
CREATE TABLE product_vectors (
    id SERIAL PRIMARY KEY,
    product_name VARCHAR(100),
    category VARCHAR(50),
    embedding vector(120)
);

验证：\d product_vectors

3.png

列名类型说明
idinteger自增主键
product_namevarchar(100)商品名称
categoryvarchar(50)商品类别
embeddingvector(120)120 维特征向量（演示用，生产可换 768/1536 维 Embedding）
操作 1-3：插入 5 条测试数据
INSERT INTO product_vectors (product_name, category, embedding) VALUES
('智能手表 Pro', '电子产品', '[0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01, 0.12, 0.34, 0.56, 0.78, 0.91, 0.23, 0.45, 0.67, 0.89, 0.01]'),
('运动手环',     '电子产品', '[0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02, 0.11, 0.33, 0.55, 0.77, 0.90, 0.22, 0.44, 0.66, 0.88, 0.02]'),
('真皮皮鞋',     '服饰鞋包', '[0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95, 0.05, 0.15, 0.25, 0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95]'),
('跑步运动鞋',   '服饰鞋包', '[0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96, 0.06, 0.16, 0.26, 0.36, 0.46, 0.56, 0.66, 0.76, 0.86, 0.96]'),
('无线耳机',     '电子产品', '[0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02, 0.13, 0.35, 0.57, 0.79, 0.92, 0.24, 0.46, 0.68, 0.90, 0.02]');

说明：120 维向量由 vector_dims=10 的特征重复 12 次构造，便于人工核对（不会改变查询语义）。生产环境请替换为 Embedding 模型输出的真实 768/1536 维向量。

SELECT id, product_name, vector_dims(embedding) AS dims FROM product_vectors;
idproduct_namedims
1智能手表 Pro120
2运动手环120
3真皮皮鞋120
4跑步运动鞋120
5无线耳机120

4.png

操作 1-4：创建 HNSW 索引
CREATE INDEX idx_product_vectors_hnsw ON product_vectors
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

5.png

操作 1-5：余弦距离查询
SELECT product_name, category,
       embedding <=> (SELECT embedding FROM product_vectors
                      WHERE product_name = '智能手表 Pro') AS cosine_distance
FROM product_vectors ORDER BY cosine_distance LIMIT 3;
product_namecategorycosine_distance
智能手表 Pro电子产品0.000000
无线耳机电子产品0.000039
运动手环电子产品0.000042
跑步运动鞋服饰鞋包0.230686
真皮皮鞋服饰鞋包0.233892

余弦距离接近 0 = 向量方向越相似。

6.png

操作 1-6：欧氏距离查询
SELECT product_name, category,
       embedding <-> (SELECT embedding FROM product_vectors
                      WHERE product_name = '智能手表 Pro') AS l2_distance
FROM product_vectors ORDER BY l2_distance LIMIT 3;
product_namecategoryl2_distance
智能手表 Pro电子产品0.000000
运动手环电子产品0.109545
无线耳机电子产品0.109545
真皮皮鞋服饰鞋包4.337188
跑步运动鞋服饰鞋包4.339677

欧氏与余弦排序不同，两种度量各有侧重。

7.png

操作 1-7：类别过滤查询
SELECT product_name,
       embedding <=> (SELECT embedding FROM product_vectors
                      WHERE product_name = '智能手表 Pro') AS cosine_distance
FROM product_vectors WHERE category = '电子产品' ORDER BY cosine_distance LIMIT 3;

8.png

✅ 向量检索验证完成。

操作 1-8：Oracle 兼容模式验证

验证 pgvector 在 IvorySQL 的 Oracle 兼容模式下同样可用，包括 number 类型主键、Oracle 风格的字符串引号。

-- 1. 切换到 Oracle 兼容模式
SET ivorysql.compatible_mode = oracle;

-- 2. 创建测试表（number 类型主键，vector 字段）
CREATE TABLE test_ora_vec (id number, embedding vector(3));

-- 3. 插入数据（Oracle 风格使用单引号）
INSERT INTO test_ora_vec VALUES (1, '[1, 2, 3]');
INSERT INTO test_ora_vec VALUES (2, '[1, 1, 9]');
INSERT INTO test_ora_vec VALUES (3, '[9, 9, 1]');

-- 4. 余弦距离排序
SELECT id, embedding <=> '[1, 2, 3]' AS dist
FROM test_ora_vec ORDER BY dist;

-- 5. 切回 PG 模式
SET ivorysql.compatible_mode = pg;

-- 6. 清理
DROP TABLE test_ora_vec;

9.png

6.3 知识图谱（Apache AGE）

验证场景：构建一个简化的"IvorySQL 技术生态图谱"——用节点表示数据库产品和提供方，用边表示"基于"和"集成"关系。验证目标：1）Cypher 创建节点与关系的基本操作；2）MATCH 图查询能否返回正确的实体关系；3）多跳遍历（1 ～ 3 跳）能否沿关系链路发现间接关联。最后形成一张可供路径遍历的小型知识图谱。

⚠️ 重要：Apache AGE 的所有函数（create_graph、cypher 等）位于 ag_catalog 模式中。新 psql 会话需要三步初始化：CREATE EXTENSION → LOAD 'age' → SET search_path——缺一不可。否则会报 function cypher(unknown) does not exist 或 unhandled cypher(cstring) function call。

操作 2-1：创建扩展与知识图谱
-- 1. 创建扩展
CREATE EXTENSION IF NOT EXISTS age;

-- 2. 加载扩展库（关键！否则 cypher() 会报 function not found）
LOAD 'age';

-- 3. 设置 search_path（关键！每次新会话都需要执行）
SET search_path = ag_catalog, "$user", public;

-- 4. 创建知识图谱
SELECT create_graph('tech_kg');

-- 5. 查看所有图
SELECT * FROM ag_graph;

10.png

操作 2-2：创建节点

一次性批量创建 4 个节点（3 个数据库/扩展产品节点 + 1 个公司节点），Cypher 支持 CREATE 后接多个节点。

-- 批量创建所有节点
SELECT * FROM cypher('tech_kg', $$
    CREATE
    (pg:Database {name: 'PostgreSQL', type: '开源关系型数据库', vendor: '社区'}),
    (ivory:Database {name: 'IvorySQL', type: 'Oracle兼容数据库', vendor: '瀚高'}),
    (age_ext:Extension {name: 'Apache AGE', type: '图数据库扩展'}),
    (hg:Company {name: '瀚高软件', country: '中国', focus: '数据库'})
    RETURN labels(n), n.name
$$) AS (labels agtype, name agtype);

-- 列出所有节点的标签和名称
SELECT * FROM cypher('tech_kg', $$
    MATCH (n)
    RETURN labels(n), n.name, n.type, n.vendor
$$) AS (labels agtype, name agtype, type agtype, vendor agtype);

11.png

操作 2-3：创建关系

三条关系构成一个可遍历的图谱：公司 → 产品 → 底层 + 公司 → 产品 → 扩展。

-- IvorySQL 基于 PostgreSQL 内核
SELECT * FROM cypher('tech_kg', $$
    MATCH (ivory:Database {name: 'IvorySQL'}), (pg:Database {name: 'PostgreSQL'})
    CREATE (ivory)-[r:BASED_ON {since: '2021', relationship: '内核分支'}]->(pg)
    RETURN r
$$) AS (rel agtype);

-- IvorySQL 集成 Apache AGE 扩展
SELECT * FROM cypher('tech_kg', $$
    MATCH (ivory:Database {name: 'IvorySQL'}), (age_ext:Extension {name: 'Apache AGE'})
    CREATE (ivory)-[r:SUPPORTS {since: '2024', feature: '图数据库'}]->(age_ext)
    RETURN r
$$) AS (rel agtype);

-- 瀚高软件 开发 IvorySQL（多跳的关键边）
SELECT * FROM cypher('tech_kg', $$
    MATCH (hg:Company {name: '瀚高软件'}), (ivory:Database {name: 'IvorySQL'})
    CREATE (hg)-[r:DEVELOPS {since: '2021', role: '主导开发'}]->(ivory)
    RETURN r
$$) AS (rel agtype);

-- 查看所有关系
SELECT * FROM cypher('tech_kg', $$
    MATCH (a)-[r]->(b)
    RETURN a.name, type(r), b.name
$$) AS (from_name agtype, relation agtype, to_name agtype);

12.png

操作 2-4：图查询
SELECT * FROM cypher('tech_kg', $$
    MATCH (db:Database {name: 'IvorySQL'})-[r:SUPPORTS]->(ext:Extension)
    RETURN db.name, ext.name, r.feature
$$) AS (db_name agtype, ext_name agtype, feature agtype);
db_nameext_namefeature
“IvorySQL”“Apache AGE”“图数据库”

13.png

操作 2-5：多跳路径

有了公司 → 产品这条边后，多跳才真正有意义——从公司出发经 2 跳到达技术和扩展。

-- 查询所有 2 跳路径（公司 -> 产品 -> 技术/扩展）
SELECT * FROM cypher('tech_kg', $$
    MATCH path = (a)-[*2]->(b)
    RETURN a.name, b.name
$$) AS (from_name agtype, to_name agtype);

14.png

返回 2 条路径：

起点终点经过
“瀚高软件”“PostgreSQL”瀚高 → IvorySQL → PostgreSQL（2 跳）
“瀚高软件”“Apache AGE”瀚高 → IvorySQL → Apache AGE（2 跳）

这就是知识图谱的核心能力：从"瀚高"出发，经过 2 次关系跳转，发现它间接关联的 PostgreSQL 生态和图扩展。
如果后续添加更多节点（pgvector、pg_textsearch 等），多跳查询能自动发现更丰富的间接关系。

✅ 知识图谱验证完成。

6.4 pg_bigm 中文全文检索

验证场景：5 篇中文技术文章，验证 pg_bigm 的二元分词（2-gram）能否在不做词典分词的情况下对中文内容进行高效的模糊搜索和相似度匹配。

操作 3-1：创建扩展 + 数据表
CREATE EXTENSION IF NOT EXISTS pg_bigm;

CREATE TABLE chinese_articles (id SERIAL PRIMARY KEY, title VARCHAR(200), content TEXT);

INSERT INTO chinese_articles (title, content) VALUES
('IvorySQL 向量检索功能介绍', 'IvorySQL 通过 pgvector 扩展支持高达 16000 维的向量计算，适用于 AI 语义搜索场景。'),
('知识图谱构建指南', '使用 Apache AGE 在 IvorySQL 中构建知识图谱，支持 openCypher 查询和图遍历。'),
('全文检索技术对比', '对比 pg_textsearch、pg_bigm、PGroonga 三种全文检索方案的性能与适用场景。'),
('Oracle 迁移实战', '将企业级 Oracle 数据库迁移至 IvorySQL 的完整流程与注意事项。'),
('智能客服系统架构', '基于向量检索和知识图谱构建的智能客服系统，实现语义理解与精准回答。');

select * from chinese_articles;

15.png

操作 3-2：GIN 索引 + 模糊检索
CREATE INDEX chinese_articles_idx ON chinese_articles USING gin (content gin_bigm_ops);
SELECT id, title FROM chinese_articles WHERE content LIKE '%向量检索%';
SELECT id, title FROM chinese_articles WHERE content LIKE likequery('知识图谱');
SELECT show_bigm('IvorySQL 向量检索');

16.png

17.png

⚠️ 踩坑经验：若启动容器时未在 POSTGRES_INITDB_ARGS 中显式指定编码，IvorySQL Docker 镜像会以 SQL_ASCII 初始化数据库，不处理多字节字符集——这种情况下 show_bigm 的中文输出会显示为方框/乱码。底层分词和检索逻辑（LIKE、likequery）完全正确命中，仅终端显示异常。本文启动命令已通过 POSTGRES_INITDB_ARGS="--encoding=UTF8 --locale=C.utf8" 指定 UTF-8 编码，可直接避免此问题；若复用的是未指定编码的旧容器，需重建并指定编码。
根治方案：启动容器时通过 POSTGRES_INITDB_ARGS 显式指定 UTF-8 编码（本文 6.1 节启动命令已包含该参数）：

docker run --name ivorysql-verify1 \
-p 5434:5432 \
-e POSTGRES_INITDB_ARGS="--encoding=UTF8 --locale=C.utf8" \
-e IVORYSQL_PASSWORD=IvorySQL@2026 \
-d registry.highgo.com/ivorysql/ivorysql:5.4-ubi8

实际操作中无需重建已有容器——可另起一个 UTF-8 编码容器（如端口 5436），仅跑 6.3 的 SQL 获取干净 show_bigm 输出即可。

18.png

✅ pg_bigm 验证完成。

6.5 BM25 全文检索（pg_textsearch）

验证场景：5 篇中英文混合技术文档，验证 pg_textsearch 的 BM25 索引创建和短语检索能力——能否在 text_config='english' 配置下对英文关键词返回正确的相关性排序（负分数越负越好）。

pg_textsearch v0.6.1 在 IvorySQL 5.4 官方镜像中处于早期版本（v1.x 已有稳定版），CREATE EXTENSION 时会输出 WARNING: pg_textsearch v0.6.1 is a prerelease. Do not use in production.。真实含义不是"绝对不能用"——BM25 算法本身成熟，代码可用，但：

  • 升级版本时 API 可能变化，写的 SQL 未必向后兼容
  • 无官方支持承诺，线上出问题未必能及时修复
  • 性能未做深度调优

建议：开发测试环境放心用；生产部署前必须做压力测试和兼容性验证。

操作 4-1：建表、插入数据、创建 BM25 索引
CREATE TABLE documents (id bigserial PRIMARY KEY, title VARCHAR(200), content text, category VARCHAR(50));

INSERT INTO documents (title, content, category) VALUES
('IvorySQL 5.4 发布', 'IvorySQL 5.4 基于 PostgreSQL 18.4 内核，新增 AI 能力与云原生生态支持，包括 pgvector、Apache AGE、pg_textsearch 等扩展。', '新闻'),
('pgvector 向量检索指南', 'pgvector 是 PostgreSQL 的向量扩展，支持高达 16000 维的向量计算，提供 HNSW 和 IVFFLAT 索引算法。', '技术'),
('Apache AGE 图数据库入门', 'Apache AGE 为 PostgreSQL 提供图数据库能力，支持 openCypher 查询语言和属性图模型。', '技术'),
('全文检索优化实践', 'pg_textsearch 提供 BM25 排名函数，pg_bigm 支持中日韩二元分词，PGroonga 提供多语言全文检索。', '技术'),
('数据库迁移最佳实践', '从 Oracle 迁移到 IvorySQL 的最佳实践，包括兼容性评估、数据迁移、应用改造等步骤。', '实践');

CREATE INDEX docs_bm25_idx ON documents USING bm25(content) WITH (text_config='english');

\d documents;
select * from documents;

19.png

操作 4-2：BM25 短语检索
SELECT id, title, content <@> 'PostgreSQL 18.4' AS relevance
FROM documents ORDER BY content <@> 'PostgreSQL 18.4' LIMIT 3;
idtitlerelevance
1IvorySQL 5.4 发布-1.43
3Apache AGE 图数据库入门-0.60
2pgvector 向量检索指南-0.56

20.png

✅ pg_textsearch 验证完成。

pg_bigm 与 pg_textsearch 的选型区别详见第四章 4.3 节。

6.6 全量确认：四种扩展共存

SELECT extname, extversion FROM pg_extension
WHERE extname IN ('vector','age','pg_textsearch','pg_bigm') ORDER BY extname;
extnameextversion
age1.7.0-rc0
pg_bigm1.2
pg_textsearch0.6.1
vector0.8.5

21.png

6.7 多模融合协同查询验证

验证场景：以上 6.2~6.5 节分别验证了各扩展的独立能力，本节验证多模融合的核心价值——一条 SQL 同时调用向量检索、BM25 全文检索、知识图谱三种能力。

准备：创建辅助表 rag_demo
-- 文档-向量映射表（生产中应由 Embedding 服务离线生成）
DROP TABLE IF EXISTS rag_demo;
CREATE TABLE rag_demo (
    doc_id INT PRIMARY KEY,
    emb vector(3)
);

INSERT INTO rag_demo VALUES
(1, '[0.10, 0.30, 0.50]'),
(2, '[0.20, 0.40, 0.60]'),
(3, '[0.30, 0.50, 0.70]'),
(4, '[0.40, 0.60, 0.80]'),
(5, '[0.50, 0.70, 0.90]');
场景 A：向量 + BM25 双路混合召回（RAG 典型场景）

把"智能手表 Pro"的向量相似度与 documents 表中"智能 穿戴"关键词 BM25 分数加权融合，得到更精准的混合召回结果。

-- 1. 确保 AGE 加载并设置 search_path
LOAD 'age';
SET search_path = ag_catalog, "$user", public;

-- 2. 双路融合：向量语义 + BM25 关键词
WITH vector_results AS (
    SELECT id AS vec_id,
           (1 - (embedding <=> (SELECT embedding FROM product_vectors
                                WHERE product_name = '智能手表 Pro')))::float8 AS semantic_score
    FROM product_vectors
),
fulltext_results AS (
    SELECT id AS ft_id,
           (content <@> to_bm25query('PostgreSQL 向量 检索', 'docs_bm25_idx'))::float8 AS keyword_score
    FROM documents
)
SELECT 'product-' || v.vec_id AS item_id,
       p.product_name,
       round((v.semantic_score)::numeric, 4) AS vec_score,
       round((f.keyword_score)::numeric, 4) AS bm25_score,
       round(((v.semantic_score * 0.7) + ((1 - f.keyword_score) * 0.3))::numeric, 4) AS hybrid_score
FROM vector_results v
JOIN product_vectors p ON p.id = v.vec_id
CROSS JOIN fulltext_results f
ORDER BY hybrid_score DESC
LIMIT 5;

实测结果：

item_idproduct_namevec_scorebm25_scorehybrid_score
product-2运动手环1.0000-0.60291.1809
product-1智能手表 Pro1.0000-0.60291.1809
product-5无线耳机1.0000-0.60291.1809
product-1智能手表 Pro1.0000-0.55581.1668
product-2运动手环1.0000-0.55581.1667

验证结论：向量检索（pgvector）与全文检索（pg_textsearch）可在同一条 SQL 中联合执行，并通过自定义权重实现 RAG 场景下的混合排序——无需跨库、无需引入 Elasticsearch 或外部重排序服务。

22.png

场景 B：图谱 + 关系表 联合分析

用 Cypher 找出 IvorySQL 集成的所有扩展名，再 JOIN documents 表拿这些扩展对应的文章——一次查询完成"图遍历 + 关系表 JOIN"。

-- 1. 确保 AGE 加载
LOAD 'age';
SET search_path = ag_catalog, "$user", public;

-- 2. Cypher 查询 IvorySQL 支持的所有扩展
WITH extensions AS WITH extensions AS (
    SELECT * FROM cypher('tech_kg', $$
        MATCH (db:Database {name: 'IvorySQL'})-[:SUPPORTS]->(ext:Extension)
        RETURN ext.name AS ext_name
    $$) AS (ext_name agtype)
)
-- 3. JOIN documents 表，列出每个扩展的对应文章
SELECT e.ext_name::text AS extension_name,
       d.title,
       d.category
FROM extensions e
JOIN documents d ON d.content LIKE '%' || e.ext_name::text || '%'
ORDER BY extension_name;

验证结论：Cypher 图查询结果可直接与关系表 JOIN，IvorySQL 在同一实例内同时提供图引擎和关系引擎——这是"统一数据底座"区别于多组件架构的关键能力。

23.png

场景 C：向量 + BM25 + 图谱 三模融合

在前两个场景基础上，把图谱的关系推理结果作为过滤条件加入向量 + BM25 双路融合。

LOAD 'age';
SET search_path = ag_catalog, "$user", public;

-- 1. 通过图谱找出 IvorySQL 关联的所有扩展名（用于过滤）
WITH related_ext AS (
    SELECT ext_name::text AS ext_name FROM cypher('tech_kg', $$
        MATCH (db:Database {name: 'IvorySQL'})-[:SUPPORTS]->(ext:Extension)
        RETURN ext.name AS ext_name
    $$) AS (ext_name agtype)
),
-- 2. documents 中与这些扩展相关的文章
filtered_docs AS (
    SELECT d.id, d.title, d.content
    FROM documents d
    WHERE EXISTS (
        SELECT 1 FROM related_ext r WHERE d.content LIKE '%' || r.ext_name || '%'
    )
)
-- 3. 找与"PostgreSQL"语义最相似、且 BM25 分数最高的文档
SELECT f.id,
       f.title,
       round((1 - (g.emb <=> (SELECT emb FROM rag_demo WHERE doc_id = 1)))::numeric, 4) AS vec_score,
       round((f.content <@> to_bm25query('PostgreSQL', 'docs_bm25_idx'))::numeric, 4) AS bm25_score
FROM filtered_docs f
JOIN rag_demo g ON f.id = g.doc_id
ORDER BY vec_score DESC
LIMIT 3;

说明：此场景演示三模融合的语法结构。rag_demo 为简化的文档-向量映射表（生产中可由 Embedding 服务离线生成）。读者可基于自身数据改造此查询。

验证结论：向量检索 + BM25 全文检索 + 图谱推理可在同一条 SQL 中协同工作，验证了 IvorySQL 作为"统一数据底座"的可行性——这是本系列文章要回答的核心问题。

244.png

七、Linux 虚拟机部署方案（可选替代方案）

⚠️ 本文所有测试用例均在上文第 6 章的 Docker 环境中验证通过。以下 Linux 裸机部署方案为生产环境的可选替代路径，供需要直接安装到物理机或虚拟机的读者参考。

7.1 环境要求

  • OS: RockyLinux 8 +/ RHEL 8+ / Ubuntu 22.04+
  • CPU: x86_64 或 ARM64
  • 内存: ≥ 4GB（推荐 8GB+）
  • 磁盘: ≥ 20GB

7.2 YUM 安装（推荐）

⚠️ 踩坑提醒 1：Highgo 的 IvorySQL RPM 包默认装到 /usr/ivory-5/（不是 /opt/IvorySQL-5.4/）。下面所有命令已修正为实际路径。

⚠️ 踩坑提醒 2：若系统装有 PGDG 仓库（pgdg13 已 EOL），dnf 解析依赖时会卡住并报 410 错误。命令中已用 --disablerepo=pgdg13 绕开。

# 1. 创建 YUM 源
sudo tee /etc/yum.repos.d/ivorysql.repo > /dev/null << 'EOF'
[ivorysql5]
name=IvorySQL Server 5 $releasever - $basearch
baseurl=https://yum.highgo.com/dists/ivorysql-rpms/5/redhat/rhel-$releasever-$basearch
enabled=1
gpgcheck=0
EOF

# 2. 安装 IvorySQL 5.4
sudo dnf install -y ivorysql5-5.4 --disablerepo=pgdg13

# 3. 创建用户并授权
sudo useradd ivorysql
sudo chown -R ivorysql:ivorysql /usr/ivory-5/

# 4. 设置环境变量
sudo tee -a /home/ivorysql/.bash_profile > /dev/null << 'EOF'
PATH=/usr/ivory-5/bin:$PATH
export PATH
PGDATA=/usr/ivory-5/data
export PGDATA
EOF

sudo su - ivorysql
source ~/.bash_profile

# 5. 初始化数据库（Oracle 兼容模式）
initdb -D /usr/ivory-5/data -m oracle

# 6. 启动服务
pg_ctl -D /usr/ivory-5/data -l ivory.log start

# 7. 验证状态
pg_ctl status
psql -d ivorysql -c "SELECT version();"

255.png

7.3 源码编译安装参考（定制需求）

注意：7.2（二进制 RPM）和 7.3（源码编译）是二选一的替代方案，不是先后步骤。已经用 RPM 装过的话，源码编译前需先卸载：sudo dnf remove ivorysql5-5.4。

⚠️ 依赖补全：--with-uuid=e2fs 需要 UUID 开发库（Rocky/CentOS/RHEL 装 libuuid-devel，Ubuntu/Debian 装 uuid-dev）。如未安装，configure 会报 library 'uuid' is required for E2FS UUID。建议先补装再编译。

# 1. 安装依赖（libuuid-devel 是 --with-uuid=e2fs 必需的）
# Rocky/CentOS/RHEL:    libuuid-devel
# Ubuntu/Debian:        uuid-dev
sudo yum install -y gcc gcc-c++ make bison flex readline-devel zlib-devel openssl-devel libxml2-devel libxslt-devel perl-ExtUtils-Embed libuuid-devel

# 2. 下载源码
git clone --branch IvorySQL_5.4 https://github.com/IvorySQL/IvorySQL.git
cd IvorySQL

# 3. 配置编译（各选项说明见下方备注）
./configure --prefix=/usr/ivory-5 \
    --enable-debug \    # 开启调试符号（gdb 可用），开发/问题排查时打开，生产部署建议去掉
    --enable-cassert \  # 开启内部断言检查，性能下降约 5-10%，仅开发调试用
    --with-uuid=e2fs \  # UUID 生成方式，选 e2fs 库（比默认 oosp 更稳定）
    --with-libxml       # XML 类型支持，知识管理与文档处理场景建议保留

make -j$(nproc)
sudo make install

# 4. 初始化并启动（同上）

7.4 生产落地风险提示

部署到生产环境前必须评估以下风险：

风险维度现状建议
pgvector 版本v0.8.5（2026 年持续维护）关注 HNSW 大数据量下的内存峰值，提前压测
Apache AGE 版本PG18/v1.7.0-rc0 预发布版生产建议等待正式版（v1.8.0 已发布，可升级）
pg_textsearch 版本v0.6.1 prerelease性能未深度调优，API 可能变；上线前自测压测
pg_bigm 版本v1.2（稳定）大数据量下需评估 GIN 索引占用空间
多扩展兼容性四扩展可共存但官方未声明 SLA升级 IvorySQL 主版本前需回归测试
shared_preload_librariesage + pg_textsearch 须预加载受限于托管 PG 服务（RDS、Cloud SQL）不一定支持
数据库编码默认 SQL_ASCII必须显式指定 UTF-8 编码，避免中文乱码

推荐落地路径：

  1. 开发测试（✅ 已验证）→ 直接用本文 Docker 镜像 + 容器内编译
  2. 预发布验证（建议）→ 用 Dockerfile 构建自定义镜像，部署到预发布环境跑回归
  3. 生产上线（谨慎）→ 等 AGE/pg_textsearch 正式版发布，或至少完成 1 周压测

八、关键结论与建议

8.1 支持情况总结

维度结论
向量数据✅ 完全支持。通过 pgvector 扩展，支持 16000 维向量、HNSW/IVFFLAT 索引、多种距离算法，Oracle 兼容模式下可用。
知识图谱✅ 完全支持。通过 Apache AGE 扩展，支持 openCypher、属性图、SQL 混合查询。适合中等规模知识图谱，超大规模建议专用图数据库。
全文检索✅ 完全支持。多扩展方案（pg_textsearch/pg_bigm/PGroonga），覆盖 BM25、中日韩分词、模糊检索、混合搜索等场景。

⚠️ 本文聚焦功能可行性验证，未涉及性能基准测试。HNSW 查询延迟、BM25 索引导入时间、混合检索吞吐量等性能数据，后续会组织相关文章做进一步测试验证。

8.2 选型建议

  1. 快速体验：使用 Docker 部署 IvorySQL 5.4，5 分钟即可完成环境搭建
  2. 开发测试：YUM/DNF 安装（仅含 IvorySQL 本体，多模扩展需另行编译，验证见 7.5），便于与现有 CI/CD 流程集成
  3. 生产环境：建议 DEB/RPM 安装，配合 IvorySQL Cloud 进行可视化运维
  4. Oracle 迁移：充分利用 IvorySQL 的 Oracle 兼容模式，降低迁移成本
  5. AI 场景：pgvector + pg_textsearch 组合可实现 RAG 所需的语义+关键词混合检索
  6. 智能知识库场景：全文检索（BM25）+ 向量检索（HNSW）+ 知识图谱（Cypher 查询），
    三者可在同一 IvorySQL 实例内完成混合检索，无需引入外部组件——这是 IvorySQL 作为"统一数据底座"相比多组件架构的核心优势。

8.3 生态扩展列表（IvorySQL 5.4 支持）

IvorySQL 5.4 官方适配的扩展已超过 20 个，核心包括：

  • AI/向量：pgvector、pg_ai_query
  • 图数据库：Apache AGE
  • GIS：PostGIS、pgRouting
  • 中文处理：pg_jieba、zhparser、pg_bigm
  • 全文检索：PGroonga、pg_textsearch
  • 运维：pg_cron、pgagent、system_stats、pg_stat_monitor
  • 中间件：PgBouncer、redis_fdw

九、社区展望与建议

本文已在 Windows 11 + Docker Desktop 环境中，基于官方 5.4-ubi8 镜像源码编译四个扩展，完整验证了 IvorySQL 5.4 的「向量 + 知识图谱 + 全文检索」多模融合能力（验证过程见第六、七章）。在此基础上，本文进一步站在「方便用户使用」的视角，把社区当前为这一能力做的交付工作梳理为三档：已做 / 未做 / 可建议。

9.1 社区已做：为多模融合提供的便利性

  • 版本背书：IvorySQL 5.4 Release Notes 已正式将 pgvector / Apache AGE / pg_bigm / pg_textsearch 列入支持清单，即官方已验证并背书这些扩展可在 5.4 上运行。
  • 可获得的基础发行版：提供 5.4-ubi8 标准镜像与 ivorysql5-5.4 的 yum/RPM 包，用户可开箱获得 Oracle 兼容的 PG 18 实例（默认预装 ivorysql_ora / liboracle_parser / gb18030_2022 基础扩展）。
  • 上游扩展本身可用：四个多模扩展由各自上游社区维护，且本文已验证它们可在 IvorySQL 5.4 源码树上编译运行——「多模融合」能力是真实可触达的，并非停留在路线图。

9.2 社区未做：从「支持」到「开箱即用」的断层

  • 无面向 IvorySQL 5.4 的扩展二进制包：用户无法 dnf install 直接获得多模扩展。PostgreSQL 官方 RPM 源（PGDG，即能查到 pgvector_14~17 的同一个源）虽有面向原生 PostgreSQL 的 pgvector_14~18、age_14~18、pg_bigm_14~18 RPM，但它们为原生 PG 构建，不能等同于社区为 IvorySQL 用户做好了便利。
  • 标准镜像未预装多模扩展：5.4-ubi8 默认仅预装 Oracle 兼容基础扩展，pgvector / AGE / pg_bigm / pg_textsearch 均需用户自行编译。
  • 无官方「多模融合」一键镜像 / Dockerfile：想开箱即融合，目前只能按本文 6.1 自行组装。
  • pg_textsearch 全源缺位：在 PGDG 与 IvorySQL 官方 yum/apt 源中均查不到独立 RPM（本文已在 PGDG yum 与 apt 两侧实测），只能源码编译。

9.3 可建议：补齐交付断层的路径（建议）

  1. 优先提供面向 IvorySQL 5.4 构建的官方二进制包：以与本体 ivorysql5-5.4 一致的命名（如 ivorysql5-pgvector——命名仅为示意，当前并不存在该包）发布面向 IvorySQL 5.4 编译的扩展包，让用户免编译即可 CREATE EXTENSION。这是多数 PG 发行版的通行做法，也最贴合既有部署习惯。
  2. 维护「多模融合」配套镜像 / Dockerfile：在保持基础镜像精简（聚焦 Oracle 兼容）的同时，额外提供 ivorysql-multimodal 标签或一份官方维护的 Dockerfile，给需要「开箱即融合」的读者——本文 6.1 的验证路径已证明其可行。
  3. 按扩展粒度交付，规避成熟度风险：pgvector 0.8.5 已稳定，但 AGE 的 PG18 分支为 1.7.0-rc0（预发布）、pg_textsearch 为 v0.6.1（早期版）。以独立二进制包按扩展分发，既能让用户按需取用，也避免预发布组件拖累 stable 标准镜像。

IvorySQL 以「统一数据底座、多模融合」为核心差异点，而融合能力能否「开箱即用」，直接决定了它在 AI / RAG / 知识库场景下的竞争力。期待官方逐步补齐这一交付断层——本文正是该方向上的一份可复现起点。

十、参考资源

测试用例已在 Windows 11 + Docker Desktop（IvorySQL 5.4 镜像）中完整复现验证。

标签
#postgresql #人工智能 #大数据 #数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
《AI实战嵌入式Agent +MCP+skill》课时2.5|定时器实战 本课讲解定时器时基单元原理，通过PSC、ARR、CNT三寄存器配合实现精确周期控制。以84MHz时钟为例，计算得PSC=8399、ARR=9999可实现1秒溢出周期。采用HAL_TIM_Base_Start_IT启动定时器更新中断，在HAL_TIM_PeriodElapsedCallback中处理周期任务，实现非阻塞、高精度的定时。相比HAL_Delay的阻塞式延时，定时器中断方案不占用主循环，支持并发操作，是嵌入式系统中实现周期任务的高效方式。 阅读详情

相关推荐

VS2022离线安装总闪退？可能是这个--noWeb参数没加对（完整参数指南）

本文深入解析了VS2022离线安装过程中常见的闪退问题，指出核心原因往往在于命令行参数使用不当，特别是`--noWeb`参数。文章提供了完整的参数使用指南和实战解决方案，包括证书处理、安装器文件修复及自动化脚本，帮助用户彻底解决离线部署中的验证失败与闪退难题。

weixin_28842269的博客 758

Ubuntu 修复 FinalShell 任务栏齿轮图标

FinalShell 可以正常启动，但任务栏显示默认齿轮图标。本次环境为 Ubuntu、X11，图标文件存在且有效。最终通过在用户级.desktop文件中加入，重新启动并固定应用，成功解决。st是本次实际测得的窗口标识。其他版本或安装方式应先测量，不要直接套用。

To be a better man 203

DataEaseV2.9 本地开发环境搭建与调试指南

本文详细指导如何搭建DataEase V2.9的本地开发环境，涵盖从软件准备、源码获取、数据库初始化到在IDEA中配置、编译和调试的全过程。重点解决了本地运行环境的关键配置与常见问题，帮助开发者高效开启DataEase的定制化开发与二次开发。

weixin_29290863的博客 141

fast-lio2复现跑avia数据集

本文详细介绍了在Windows WSL2中安装Ubuntu 22.04并配置ROS2 Humble环境的全过程，涵盖系统初始化、ROS2安装、Livox雷达驱动编译及FAST-LIO2 ROS2版本的构建与验证。通过完整数据集回放与建图测试，成功实现点云地图生成与轨迹记录，并利用evo工具完成轨迹分析与可视化。最终输出包括累积点云地图、位姿轨迹及实验配置文件，为后续精度评估与复现提供基准。

chase_my_dream的博客 334

Ubutntu下使用realsense d435i（二）：获取某二维像素点的三维坐标

00 准备工作 准备工作包括安装驱动以及pyrealsense2，具体可参考上一篇： Ubutntu下使用realsense d435i（一）：准备工作以及安装pyrealsense2 https://blog.youkuaiyun.com/gyxx1998/article/details/121461293 01 通过二维像素点获得物体三维坐标 这个在上一篇已经介绍了代码： realsense d435i获取某像素点三维坐标（计算深度和点云两种方法） https://blog.youkuaiyun.com/gyxx1998/

gyxx1998的博客 9943

Zigbee开发环境搭建：从驱动安装到程序烧录全指南

本文提供了一份详尽的Zigbee开发环境搭建全指南，涵盖从驱动安装到程序烧录的完整流程。重点介绍了使用SmartRF Flash Programmer和仿真器进行程序下载的关键步骤，并详细说明了USB转串口驱动的配置方法，帮助开发者快速构建稳定的Zigbee开发基础。

weixin_29195217的博客 393

【T113】SDK Tina5.0 V1.2 使用记录（一）基本使用，初次编译等

SDK名称发行方其他描述全志官方tina2.0，仅支持 openwrt全志官方tina5.0 v1.2，支持 openwrt, buildroot百问网非官方,支持buildroot,用于开发板100ask_t113-pro。

似水流年 115

【读代码】TradingAgents：基于多智能体LLM的金融交易框架深度解析

TradingAgents是由Tauric Research团队开源的创新型金融交易框架，其核心思想是通过多智能体协作系统模拟专业交易机构的决策流程。项目采用模块化设计，整合了LLM、实时数据分析、风险控制等组件，实现了从市场分析到交易执行的完整闭环。

kakaZhui的博客 2003

6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。

Mardi_Ladin的博客 337

Marvell 88Q6113 如何制作一个完整的量产固件88Q6113_flash.bin并进行烧录

本章节介绍如何基于Marvell工具链，制作一个完整的量产固件88Q6113_flash.bin，集成用户自定义的配置文件 config.bin，用于88Q6113的Flash烧录。注：Marvell 88Q5072 与 Marvell 88Q6113 的配置流程是一样的。

老板来份猪脚拼叉烧的博客 2008

AUTOSAR汽车电子嵌入式编程精讲300篇-基于加密算法的车载CAN总线安全通信

随着科学技术的不断更新和社会文明的不断进步，汽车已经走入寻常百姓家， 成为当代社会必不可少的交通工具。伴随着互联网技术的飞速发展，汽车也不再 是一个简单的交通工具，已经逐渐发展成为一个集出行、通信、娱乐等功能于一 身的综合智能体，进而推动了车联网产业的蓬勃发展。车联网是在传统汽车的框架上安装了传感器、执行器、控制器等分布式和集 中式控制器，使汽车具备环境感知、协同控制、优化执行等功能，并通过网络技 术实现与车外环境的信息共享，给驾驶带来方便的同时也终将成为可以替代人操 作的新一代汽车[1-3]。

getusushu的博客 2590

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 189

C# 工业上位机集成 YOLOv8 全实战：模型转换→相机取流→PLC 联动落地部署

// 检测结果实体类，工业场景扩展置信度、坐标、类别字段set;set;set;set;/// 模型配置常量，与导出参数保持一致// 置信度阈值// 非极大值抑制阈值public static readonly string[] ClassNames = { "物料", "缺陷", "挡板" };// 自定义类别本文完整实现了YOLO模型转换→C#上位机集成→工业相机对接→PLC联动→现场部署标准化模型转换流程，杜绝C#端兼容性问题；解耦相机取流、推理、UI线程，满足工业高稳定性要求；

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 320

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。

laoyunsi的博客 229

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

医疗 AI 有两种，别混着谈：一个改流程，一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台，提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能，辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志（JMA Journal）的一篇综述（Review Article）：基本事实：这一点必须先说清：这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想，不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口（见第三节）。本文只谈它的术语辨析与科学方法论，不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 221

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

河道漂浮物目标检测数据集

目标检测，yolo，河道漂浮物目标检测数据集

DL_data_set的博客 186

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 185

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 536

AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。

johnsong2009的博客 523

大模型 Embedding 与向量相似度详解

Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。

T3165919332的博客 73

GPT-1 架构和计算细节

下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 244

终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源

生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 624

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，

weixin_42963026的博客 322

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 192

设计师工作室 GEO 实操：如何提升 AI 实体推荐概率

设计工作室 GEO 的本质，是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为：区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性：品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘，只陈述事实。输出 1 篇「设计报价影响因素」科普内容，覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访，形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试，记录出现频率。

goujunwe的博客 322
上一篇： PostgreSQL 日报 ｜ B-tree 排序符号扩展缺陷（8 月 10 日）
下一篇： PostgreSQL 日报｜备份截断检测修复（8 月 11 日）
点赞 8
评论 0
书签 书签 4
IvorySQL
IvorySQL
博客等级 码龄5年 745粉丝 557原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值