PostgreSQL笔记2: AI时代的首选数据库——从六边形战士到生态融合

主要的国产信创数据库有哪些 当今信息时代,数据被广泛应用于各个领域。对于企业来说,拥有一个高效、可靠、安全的数据库系统至关重要。信创国产数据库是一个备受关注的选择,它为用户提供了完整的解决方案。 阅读详情

纲要

  • PostgreSQL 核心能力全景
    • 事务处理(OLTP)
    • 分析处理(OLAP)
    • 地理信息(PostGIS)
    • 时序数据(TimescaleDB)
    • 向量检索(pgvector)
    • 扩展生态
  • PostgreSQL 在 AI 时代的独特优势
    • 向量数据库能力(pgvector)
    • 一体化架构简化技术栈
    • 企业级特性(事务、备份、权限、安全)
  • 行业生态与资本动向
    • Databricks 收购 Neon
    • Snowflake 收购 Crunchy Data
    • Databricks 收购 Mooncake Labs(pg_mooncake)
  • 信创国产化背景下的 PostgreSQL
    • 安全可靠测评名录
    • PG-Based 二次开发路线
  • 全球发展趋势
    • DB-Engines 排名趋势
    • 年度数据库冠军

引言

在数据库技术选型的讨论中,PostgreSQL 近年来始终是一个无法绕开的话题。尤其在 AI 技术迅猛发展的当下,PostgreSQL 不仅没有被新兴的专用数据库取代,反而呈现出愈发强劲的发展势头。本文将从技术能力、产业生态、AI 融合以及国产化趋势等多个维度,系统性地阐述 PostgreSQL 为何能够成为 AI 时代的首选数据库。

六边形战士:PostgreSQL 的全方位能力

PostgreSQL 常被社区称为“六边形战士”,意指其在多个技术维度上均表现均衡且全面。这种全面的能力使其能够胜任从传统企业核心业务到新兴数据场景的各类需求。

事务处理(OLTP)

PostgreSQL 从诞生之初便是一个标准的关系型数据库,严格遵循 ACID 原则,提供强一致性和复杂事务的支持。这使得它能够满足企业核心业务对数据一致性的严苛要求,确保数据不丢、不重。

分析处理(OLAP)

PostgreSQL 拥有强大的查询优化器,支持丰富的索引类型(如 B-Tree、Hash、GiST、SP-GiST、GIN 和 BRIN)。通过扩展,PostgreSQL 还可以获得列存能力,例如通过 pg_mooncake 或 pg_duckdb 等插件,将 DuckDB 的高性能分析引擎嵌入 PostgreSQL 中。

地理信息(PostGIS)

PostGIS 是 PostgreSQL 最著名的扩展之一,它使 PostgreSQL 成为全球领先的空间数据库。PostGIS 支持复杂的空间对象和空间索引,能够高效处理地理信息系统的各类查询。

时序数据(TimescaleDB)

随着物联网(IoT)的兴起,时序数据处理需求激增。TimescaleDB 作为 PostgreSQL 的时序数据库扩展,提供了针对时间序列数据优化的存储、查询和分析能力。

向量检索(pgvector)

在 AI 时代,向量检索成为刚需。pgvector 是 PostgreSQL 的开源向量相似度搜索扩展,支持存储和查询向量嵌入。它支持 IVFFlat 和 HNSW 两种近似最近邻(ANN)索引算法,以及 L2 欧氏距离、余弦相似度、内积等多种距离度量。

扩展生态

PostgreSQL 的可扩展性是其核心优势之一。用户可以通过扩展灵活地增加新的数据类型、函数、操作符、索引方法甚至存储方式。这种开放的架构使得 PostgreSQL 能够快速拥抱新技术,而不必等待内核版本的迭代。

PostgreSQL
六边形战士

事务处理OLTP

ACID合规

强一致性

复杂事务

分析处理OLAP

强大优化器

丰富索引类型

列存扩展

地理信息PostGIS

空间对象

空间索引

时序数据TimescaleDB

时序优化存储

时序查询

向量检索pgvector

IVFFlat索引

HNSW索引

相似度搜索

扩展生态

灵活扩展机制

丰富插件

AI 时代的独特优势

随着大语言模型的普及,数据不再局限于存储和查询,还需要参与实时计算、向量检索、模型推理和智能体交互。PostgreSQL 在这些领域展现出独特的优势。

向量数据库能力

传统的 AI 应用架构通常将业务数据存储在关系数据库中,将向量数据存储在专用的向量数据库(如 Pinecone、Milvus)中,再通过 API 进行对接。而 PostgreSQL 通过 pgvector 扩展,可以在同一数据库内同时管理业务数据和向量数据。

这种一体化架构的优势在于:

  • 简化架构:无需维护多套数据库系统。
  • 降低复杂度:减少数据同步和 API 对接的开发成本。
  • 统一事务:业务数据和向量数据可以在同一事务中处理,保证一致性。

企业级特性

相比新兴的专用向量数据库,PostgreSQL 拥有成熟的企业级底座,包括:

  • 完善的事务机制
  • 成熟的备份与恢复方案
  • 细粒度的权限管理
  • 丰富的安全特性

这些特性对于企业级 AI 应用的落地至关重要。

行业生态与资本动向

PostgreSQL 生态的活跃度不仅体现在技术层面,更体现在资本市场的频繁动作上。2025 年,PostgreSQL 生态发生了超过 12.5 亿美元的收购。

Databricks 收购 Neon

2025 年 5 月,Databricks 宣布以约 10 亿美元收购 Neon,一家无服务器 Postgres 公司。Neon 的核心能力包括:

  • 秒级启动:数秒内创建新的 Postgres 实例。
  • 弹性伸缩:存储与计算分离,按需自动扩缩容。
  • 分支与 Fork:像 Git 管理代码一样管理数据库分支,支持快速实验和测试。

Databricks 工程副总裁 Nikita Shamgunov 透露,Neon 平台上超过 80% 的数据库已由 AI 智能体创建。这一数据充分说明了无服务器 Postgres 与 AI 智能体工作负载的高度契合。

Snowflake 收购 Crunchy Data

紧随 Databricks 之后,Snowflake 于 2025 年 6 月宣布收购 Crunchy Data,估值约 2.5 亿美元。Crunchy Data 是一家专注于企业级开源 PostgreSQL 技术的公司。此次收购将帮助 Snowflake 推出 Snowflake Postgres,为企业提供安全、合规、全托管的 Postgres 数据库服务。

Databricks 收购 Mooncake Labs

2025 年 10 月,Databricks 再次出手,收购了 Mooncake Labs。Mooncake Labs 开发了 pg_mooncake 扩展,其核心技术包括:

  • pg_mooncake 扩展:在 PostgreSQL 中整合 DuckDB 计算引擎,使 Postgres 具备列存镜像能力,支持 OLAP 查询。
  • Moonlink 基础设施:实现行存 Postgres 数据与列存分析格式之间的实时转换,无需传统 ETL 管道。

这三笔收购清晰地传递了一个信号:无论是数据仓库巨头(Snowflake)还是数据与 AI 平台巨头(Databricks),都在积极拥抱 PostgreSQL 生态。PostgreSQL 已经成为开源数据库的事实标准。

2025-05 Databricks 收购 Neon 无服务器Postgres 约10亿美元 2025-06 Snowflake 收购 Crunchy Data 企业级Postgres 约2.5亿美元 2025-10 Databricks 收购 Mooncake Labs pg_mooncake扩展 列存+数据湖 2025年PostgreSQL生态重大收购

信创国产化背景下的 PostgreSQL

在中国信创(信息技术应用创新)产业推进的背景下,数据库国产化替代已成为关键行业的刚需。中国信息安全测评中心发布的《安全可靠测评结果公告》为党政、央国企等机构的数据库选型提供了重要指导。

在已通过测评的国产数据库中,大量产品采用了 PostgreSQL 二次开发路线(PG-Based):

产品名称厂商技术路线
金仓数据库 V9人大金仓PostgreSQL 深度增强
瀚高 V4.5瀚高软件PostgreSQL,IvorySQL 发起者
大云海山 V2.0中国移动PostgreSQL 二次开发
神通数据库 V8.0神舟通用openGauss 生态
GaussDB华为云openGauss 企业版

此外,openGauss 路线虽然源头来自 PostgreSQL,但已形成独立的社区与技术体系。掌握 PostgreSQL,意味着在学习和使用这些国产数据库时能够快速上手,显著降低学习成本。

全球发展趋势

从全球范围来看,PostgreSQL 的热度持续上升。根据 DB-Engines 的排名趋势,PostgreSQL 多年来一直是增速最快的主流数据库之一。PostgreSQL 分别在 2017 年、2018 年、2020 年和 2023 年荣获年度数据库冠军。这一趋势表明,PostgreSQL 不仅在当下是热门技术,更是未来的发展方向。

API 速览

本节梳理博客中涉及的核心 PostgreSQL 扩展与工具的 API。

pgvector

pgvector 是 PostgreSQL 的向量相似度搜索扩展。

安装

CREATE EXTENSION vector;

创建向量列

CREATE TABLE items (
    id BIGSERIAL PRIMARY KEY,
    embedding vector(384)
);

插入向量数据

INSERT INTO items (embedding) VALUES ('[0.1, 0.2, 0.3, ...]');

相似度搜索

-- 余弦相似度搜索
SELECT id, 1 - (embedding <=> '[0.1, 0.2, 0.3, ...]') AS similarity
FROM items
ORDER BY embedding <=> '[0.1, 0.2, 0.3, ...]'
LIMIT 10;

创建索引

-- IVFFlat 索引(需先有数据)
CREATE INDEX ON items USING ivfflat (embedding vector_cosine_ops);

-- HNSW 索引
CREATE INDEX ON items USING hnsw (embedding vector_cosine_ops);

PostGIS

PostGIS 是 PostgreSQL 的空间数据库扩展。

安装

CREATE EXTENSION postgis;

创建空间列

CREATE TABLE locations (
    id BIGSERIAL PRIMARY KEY,
    name TEXT,
    geom GEOMETRY(Point, 4326)
);

空间查询

-- 查找半径 1000 米内的点
SELECT name
FROM locations
WHERE ST_DWithin(
    geom,
    ST_SetSRID(ST_MakePoint(-122.4194, 37.7749), 4326),
    1000
);

TimescaleDB

TimescaleDB 是 PostgreSQL 的时序数据库扩展。

安装

CREATE EXTENSION timescaledb;

创建超表

CREATE TABLE metrics (
    time TIMESTAMPTZ NOT NULL,
    device_id TEXT NOT NULL,
    value DOUBLE PRECISION
);

SELECT create_hypertable('metrics', 'time');

时序查询

-- 时间区间聚合查询
SELECT time_bucket('1 hour', time) AS hour,
       device_id,
       AVG(value) AS avg_value
FROM metrics
WHERE time > NOW() - INTERVAL '24 hours'
GROUP BY hour, device_id
ORDER BY hour DESC;

pg_mooncake

pg_mooncake 是 Mooncake Labs 开发的 PostgreSQL 扩展,在 PG 中整合了 DuckDB 计算引擎和列存储能力。

核心能力

  • 列存镜像:为 PostgreSQL 表提供列存格式的镜像副本
  • DuckDB 加速:利用 DuckDB 的向量化执行引擎加速 OLAP 查询
  • 数据湖集成:通过 Moonlink 将数据实时同步至数据湖(如 Iceberg 格式)

Demo 简单示例

以下示例演示如何在 PostgreSQL 中使用 pgvector 进行向量存储与相似度检索。

环境准备

PostgreSQL 原生指令

-- 创建数据库
CREATE DATABASE vector_demo;

-- 连接到数据库
\c vector_demo;

-- 创建 pgvector 扩展
CREATE EXTENSION IF NOT EXISTS vector;

Node.js (TypeScript) 示例

import { Pool } from 'pg';

const pool = new Pool({
    host: 'localhost',
    port: 5432,
    database: 'vector_demo',
    user: 'postgres',
    password: 'postgres',
});

interface Item {
    id: number;
    content: string;
    embedding: number[];
}

class VectorService {
    // 创建表
    async createTable(): Promise<void> {
        await pool.query(`
            CREATE TABLE IF NOT EXISTS documents (
                id BIGSERIAL PRIMARY KEY,
                content TEXT NOT NULL,
                embedding vector(3)
            )
        `);
        console.log('Table "documents" created.');
    }

    // 插入向量数据
    async insertDocument(content: string, embedding: number[]): Promise<number> {
        const result = await pool.query(
            'INSERT INTO documents (content, embedding) VALUES ($1, $2) RETURNING id',
            [content, JSON.stringify(embedding)]
        );
        return result.rows[0].id;
    }

    // 相似度检索(余弦相似度)
    async similaritySearch(queryEmbedding: number[], limit: number = 5): Promise<Item[]> {
        const result = await pool.query(
            `
            SELECT id, content, 1 - (embedding <=> $1) AS similarity
            FROM documents
            ORDER BY embedding <=> $1
            LIMIT $2
            `,
            [JSON.stringify(queryEmbedding), limit]
        );
        return result.rows.map(row => ({
            id: row.id,
            content: row.content,
            embedding: row.embedding,
            similarity: row.similarity,
        }));
    }

    // 创建 HNSW 索引
    async createIndex(): Promise<void> {
        await pool.query(`
            CREATE INDEX IF NOT EXISTS idx_documents_embedding
            ON documents USING hnsw (embedding vector_cosine_ops)
        `);
        console.log('HNSW index created.');
    }
}

async function main() {
    const service = new VectorService();

    await service.createTable();

    // 插入示例数据
    const documents = [
        { content: 'PostgreSQL is a powerful open-source relational database.', embedding: [0.9, 0.1, 0.2] },
        { content: 'pgvector enables vector similarity search in PostgreSQL.', embedding: [0.1, 0.9, 0.3] },
        { content: 'AI applications often require embedding storage and retrieval.', embedding: [0.2, 0.3, 0.9] },
        { content: 'PostGIS is a spatial extension for PostgreSQL.', embedding: [0.8, 0.2, 0.1] },
    ];

    for (const doc of documents) {
        await service.insertDocument(doc.content, doc.embedding);
    }

    await service.createIndex();

    // 执行相似度检索
    const query = [0.1, 0.8, 0.2];
    const results = await service.similaritySearch(query, 3);

    console.log('Similarity search results:');
    results.forEach((r, i) => {
        console.log(`${i + 1}. ${r.content} (similarity: ${r.similarity?.toFixed(4)})`);
    });

    await pool.end();
}

main().catch(console.error);

运行说明

  1. 安装依赖:npm install pg @types/pg typescript ts-node
  2. 确保本地 PostgreSQL 已安装 pgvector 扩展
  3. 修改数据库连接配置
  4. 运行:npx ts-node vector_demo.ts

技术点总结

  • pgvector 扩展的安装与使用
  • 向量列的创建与数据插入
  • 余弦相似度检索(<=> 操作符)
  • HNSW 索引的创建与性能优化
  • 关系型数据与向量数据的统一存储与查询

多语言示例

以下补充 Go、Python 和 Java 三种语言的完整示例,与上文 Node.js 示例功能一致,均基于 pgvector 扩展实现向量存储与相似度检索。

Go 示例

Go 语言推荐使用 pgx 驱动配合 pgvector-go 库

环境准备

go mod init vector_demo
go get github.com/jackc/pgx/v5
go get github.com/pgvector/pgvector-go
go get github.com/pgvector/pgvector-go/pgx

完整代码

package main

import (
    "context"
    "fmt"
    "log"

    "github.com/jackc/pgx/v5"
    "github.com/pgvector/pgvector-go"
    pgxvec "github.com/pgvector/pgvector-go/pgx"
)

type Document struct {
    ID        int64
    Content   string
    Embedding []float32
}

func main() {
    ctx := context.Background()

    // 连接数据库
    conn, err := pgx.Connect(ctx, "postgres://postgres:postgres@localhost:5432/vector_demo")
    if err != nil {
        log.Fatal(err)
    }
    defer conn.Close(ctx)

    // 启用 pgvector 扩展
    _, err = conn.Exec(ctx, "CREATE EXTENSION IF NOT EXISTS vector")
    if err != nil {
        log.Fatal(err)
    }

    // 注册向量类型
    err = pgxvec.RegisterTypes(ctx, conn)
    if err != nil {
        log.Fatal(err)
    }

    // 创建表
    _, err = conn.Exec(ctx, `
        CREATE TABLE IF NOT EXISTS documents (
            id BIGSERIAL PRIMARY KEY,
            content TEXT NOT NULL,
            embedding vector(3)
        )
    `)
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println("Table \"documents\" created.")

    // 插入示例数据
    documents := []struct {
        content   string
        embedding []float32
    }{
        {"PostgreSQL is a powerful open-source relational database.", []float32{0.9, 0.1, 0.2}},
        {"pgvector enables vector similarity search in PostgreSQL.", []float32{0.1, 0.9, 0.3}},
        {"AI applications often require embedding storage and retrieval.", []float32{0.2, 0.3, 0.9}},
        {"PostGIS is a spatial extension for PostgreSQL.", []float32{0.8, 0.2, 0.1}},
    }

    for _, doc := range documents {
        _, err := conn.Exec(ctx,
            "INSERT INTO documents (content, embedding) VALUES ($1, $2)",
            doc.content, pgvector.NewVector(doc.embedding),
        )
        if err != nil {
            log.Fatal(err)
        }
    }
    fmt.Println("Inserted", len(documents), "documents.")

    // 创建 HNSW 索引
    _, err = conn.Exec(ctx, "CREATE INDEX IF NOT EXISTS idx_documents_embedding ON documents USING hnsw (embedding vector_cosine_ops)")
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println("HNSW index created.")

    // 执行相似度检索(余弦相似度)
    query := []float32{0.1, 0.8, 0.2}
    rows, err := conn.Query(ctx,
        `
        SELECT id, content, 1 - (embedding <=> $1) AS similarity
        FROM documents
        ORDER BY embedding <=> $1
        LIMIT 3
        `,
        pgvector.NewVector(query),
    )
    if err != nil {
        log.Fatal(err)
    }
    defer rows.Close()

    fmt.Println("Similarity search results:")
    i := 1
    for rows.Next() {
        var doc Document
        var similarity float32
        err := rows.Scan(&doc.ID, &doc.Content, &similarity)
        if err != nil {
            log.Fatal(err)
        }
        fmt.Printf("%d. %s (similarity: %.4f)\n", i, doc.Content, similarity)
        i++
    }
}

运行说明

  1. 创建 main.go 文件,粘贴上述代码
  2. 执行 go mod tidy
  3. 确保本地 PostgreSQL 已安装 pgvector 扩展
  4. 修改数据库连接字符串(用户、密码、数据库名)
  5. 运行:go run main.go

PostgreSQL 原生指令注释

-- 启用扩展
CREATE EXTENSION IF NOT EXISTS vector;

-- 创建表
CREATE TABLE IF NOT EXISTS documents (
    id BIGSERIAL PRIMARY KEY,
    content TEXT NOT NULL,
    embedding vector(3)
);

-- 插入数据
INSERT INTO documents (content, embedding) VALUES
    ('PostgreSQL is a powerful open-source relational database.', '[0.9, 0.1, 0.2]'),
    ('pgvector enables vector similarity search in PostgreSQL.', '[0.1, 0.9, 0.3]'),
    ('AI applications often require embedding storage and retrieval.', '[0.2, 0.3, 0.9]'),
    ('PostGIS is a spatial extension for PostgreSQL.', '[0.8, 0.2, 0.1]');

-- 创建 HNSW 索引(余弦距离)
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- 余弦相似度检索
SELECT id, content, 1 - (embedding <=> '[0.1, 0.8, 0.2]') AS similarity
FROM documents
ORDER BY embedding <=> '[0.1, 0.8, 0.2]'
LIMIT 3;

Python 示例

Python 语言推荐使用 psycopg2(或 psycopg v3)配合 pgvector-python 库[reference:2][reference:3]。

环境准备

pip install psycopg2-binary pgvector

完整代码

import psycopg2
from pgvector.psycopg2 import register_vector

class VectorService:
    def __init__(self, host='localhost', port=5432, database='vector_demo',
                 user='postgres', password='postgres'):
        self.conn = psycopg2.connect(
            host=host,
            port=port,
            database=database,
            user=user,
            password=password
        )
        # 注册向量类型
        register_vector(self.conn)
        self.cur = self.conn.cursor()

    def create_table(self):
        self.cur.execute('CREATE EXTENSION IF NOT EXISTS vector')
        self.cur.execute(```
            CREATE TABLE IF NOT EXISTS documents (
                id BIGSERIAL PRIMARY KEY,
                content TEXT NOT NULL,
                embedding vector(3)
            )
        ```)
        self.conn.commit()
        print('Table "documents" created.')

    def insert_document(self, content, embedding):
        self.cur.execute(
            'INSERT INTO documents (content, embedding) VALUES (%s, %s) RETURNING id',
            (content, embedding)
        )
        self.conn.commit()
        return self.cur.fetchone()[0]

    def similarity_search(self, query_embedding, limit=5):
        self.cur.execute(```
            SELECT id, content, 1 - (embedding <=> %s) AS similarity
            FROM documents
            ORDER BY embedding <=> %s
            LIMIT %s
        ```, (query_embedding, query_embedding, limit))
        return self.cur.fetchall()

    def create_index(self):
        self.cur.execute(```
            CREATE INDEX IF NOT EXISTS idx_documents_embedding
            ON documents USING hnsw (embedding vector_cosine_ops)
        ```)
        self.conn.commit()
        print('HNSW index created.')

    def close(self):
        self.cur.close()
        self.conn.close()


def main():
    service = VectorService()

    service.create_table()

    # 插入示例数据
    documents = [
        ('PostgreSQL is a powerful open-source relational database.', [0.9, 0.1, 0.2]),
        ('pgvector enables vector similarity search in PostgreSQL.', [0.1, 0.9, 0.3]),
        ('AI applications often require embedding storage and retrieval.', [0.2, 0.3, 0.9]),
        ('PostGIS is a spatial extension for PostgreSQL.', [0.8, 0.2, 0.1]),
    ]

    for content, embedding in documents:
        service.insert_document(content, embedding)

    service.create_index()

    # 执行相似度检索
    query = [0.1, 0.8, 0.2]
    results = service.similarity_search(query, 3)

    print('Similarity search results:')
    for i, (doc_id, content, similarity) in enumerate(results, 1):
        print(f'{i}. {content} (similarity: {similarity:.4f})')

    service.close()


if __name__ == '__main__':
    main()

运行说明

  1. 创建 vector_demo.py 文件,粘贴上述代码
  2. 执行 pip install psycopg2-binary pgvector
  3. 确保本地 PostgreSQL 已安装 pgvector 扩展
  4. 修改数据库连接参数(host、port、database、user、password)
  5. 运行:python vector_demo.py

PostgreSQL 原生指令注释(同 Go 示例,不再重复)

Java 示例

Java 语言推荐使用 JDBC 驱动配合 pgvector-java 库[reference:4]。

Maven 依赖(pom.xml)

<dependency>
    <groupId>com.pgvector</groupId>
    <artifactId>pgvector</artifactId>
    <version>0.1.6</version>
</dependency>
<dependency>
    <groupId>org.postgresql</groupId>
    <artifactId>postgresql</artifactId>
    <version>42.7.3</version>
</dependency>

完整代码

import com.pgvector.PGvector;
import java.sql.*;
import java.util.ArrayList;
import java.util.List;

public class VectorDemo {

    static class Document {
        long id;
        String content;
        float[] embedding;
        float similarity;

        Document(long id, String content, float[] embedding) {
            this.id = id;
            this.content = content;
            this.embedding = embedding;
        }
    }

    public static void main(String[] args) throws Exception {
        String url = "jdbc:postgresql://localhost:5432/vector_demo";
        String user = "postgres";
        String password = "postgres";

        try (Connection conn = DriverManager.getConnection(url, user, password)) {

            // 启用 pgvector 扩展
            try (Statement stmt = conn.createStatement()) {
                stmt.executeUpdate("CREATE EXTENSION IF NOT EXISTS vector");
            }

            // 注册向量类型
            PGvector.registerTypes(conn);

            // 创建表
            try (Statement stmt = conn.createStatement()) {
                stmt.executeUpdate("""
                    CREATE TABLE IF NOT EXISTS documents (
                        id BIGSERIAL PRIMARY KEY,
                        content TEXT NOT NULL,
                        embedding vector(3)
                    )
                """);
                System.out.println("Table \"documents\" created.");
            }

            // 插入示例数据
            List<Document> documents = List.of(
                new Document(0, "PostgreSQL is a powerful open-source relational database.",
                    new float[]{0.9f, 0.1f, 0.2f}),
                new Document(0, "pgvector enables vector similarity search in PostgreSQL.",
                    new float[]{0.1f, 0.9f, 0.3f}),
                new Document(0, "AI applications often require embedding storage and retrieval.",
                    new float[]{0.2f, 0.3f, 0.9f}),
                new Document(0, "PostGIS is a spatial extension for PostgreSQL.",
                    new float[]{0.8f, 0.2f, 0.1f})
            );

            String insertSql = "INSERT INTO documents (content, embedding) VALUES (?, ?)";
            try (PreparedStatement pstmt = conn.prepareStatement(insertSql,
                    Statement.RETURN_GENERATED_KEYS)) {
                for (Document doc : documents) {
                    pstmt.setString(1, doc.content);
                    pstmt.setObject(2, PGvector.newVector(doc.embedding));
                    pstmt.executeUpdate();

                    try (ResultSet rs = pstmt.getGeneratedKeys()) {
                        if (rs.next()) {
                            doc.id = rs.getLong(1);
                        }
                    }
                }
                System.out.println("Inserted " + documents.size() + " documents.");
            }

            // 创建 HNSW 索引
            try (Statement stmt = conn.createStatement()) {
                stmt.executeUpdate("""
                    CREATE INDEX IF NOT EXISTS idx_documents_embedding
                    ON documents USING hnsw (embedding vector_cosine_ops)
                """);
                System.out.println("HNSW index created.");
            }

            // 执行相似度检索(余弦相似度)
            float[] query = new float[]{0.1f, 0.8f, 0.2f};
            String searchSql = """
                SELECT id, content, 1 - (embedding <=> ?) AS similarity
                FROM documents
                ORDER BY embedding <=> ?
                LIMIT 3
                """;
            try (PreparedStatement pstmt = conn.prepareStatement(searchSql)) {
                pstmt.setObject(1, PGvector.newVector(query));
                pstmt.setObject(2, PGvector.newVector(query));

                try (ResultSet rs = pstmt.executeQuery()) {
                    System.out.println("Similarity search results:");
                    int i = 1;
                    while (rs.next()) {
                        long id = rs.getLong("id");
                        String content = rs.getString("content");
                        float similarity = rs.getFloat("similarity");
                        System.out.printf("%d. %s (similarity: %.4f)%n",
                            i++, content, similarity);
                    }
                }
            }
        }
    }
}

运行说明

  1. 创建 Maven 项目,在 pom.xml 中添加上述依赖
  2. 创建 VectorDemo.java 文件,粘贴上述代码
  3. 确保本地 PostgreSQL 已安装 pgvector 扩展
  4. 修改数据库连接 URL、用户名和密码
  5. 编译运行:mvn compile exec:java -Dexec.mainClass="VectorDemo"

PostgreSQL 原生指令注释(同 Go 示例,不再重复)

多语言技术点对比

语言推荐驱动/库向量类型注册核心操作
Gopgx + pgvector-gopgxvec.RegisterTypes(ctx, conn)pgvector.NewVector()
Pythonpsycopg2 + pgvector-pythonregister_vector(conn)直接传递 list
JavaJDBC + pgvector-javaPGvector.registerTypes(conn)PGvector.newVector()
Node.jspg + pgvector无需显式注册传递 JSON.stringify()

技术点总结

  • 各语言均需先启用 CREATE EXTENSION vector
  • 向量类型需在连接层注册,使驱动能正确序列化/反序列化向量数据
  • 相似度检索统一使用 <=> 操作符(余弦距离),1 - distance 转换为相似度
  • HNSW 索引使用 vector_cosine_ops 操作符类优化余弦距离检索

项目难点与解决方案

核心难点

多工作负载的统一管理:企业应用通常同时涉及 OLTP(事务处理)和 OLAP(分析处理)两类工作负载。传统架构中,这两类负载由不同数据库系统承担,数据需要在系统间频繁迁移,带来一致性和延迟问题。

解决方案

PostgreSQL 通过其扩展生态实现了多工作负载的统一管理:

  • OLTP:由 PostgreSQL 内核原生支持
  • OLAP:通过 pg_mooncake、pg_duckdb 等扩展引入列存和向量化执行能力
  • 实时数据同步:通过 Moonlink 等基础设施实现行存到列存的实时镜像

广度

PostgreSQL 的覆盖场景极为广泛:

  • 传统关系型数据管理
  • 地理空间数据处理(PostGIS)
  • 时序数据处理(TimescaleDB)
  • 向量检索(pgvector)
  • 全文搜索(TSVECTOR)
  • 数据仓库与分析(pg_mooncake)

深度

PostgreSQL 在核心能力上持续深耕:

  • 查询优化器持续演进,支持复杂关联查询的智能优化
  • 索引类型不断丰富,从传统 B-Tree 到 GIN、GiST、BRIN,再到向量索引 IVFFlat 和 HNSW
  • 存储引擎层面支持行存、列存以及数据湖格式的集成

复杂度

PostgreSQL 生态的复杂度主要体现在:

  • 扩展众多:需要根据场景选择合适的扩展组合
  • 配置调优:不同工作负载需要不同的配置参数
  • 版本演进:新版本不断引入新特性,需要持续跟进

官方文档

参考链接

总结

本文从技术能力、产业生态、AI 融合、信创国产化以及全球趋势五个维度,系统阐述了 PostgreSQL 为何能够成为 AI 时代的首选数据库。PostgreSQL 凭借其全面均衡的技术能力(“六边形战士”)、开放的扩展生态、成熟的企业级特性,以及在向量检索、时序数据、地理信息等新兴领域的快速跟进,成功应对了 AI 时代多样化的数据管理需求。

2025 年发生在 PostgreSQL 生态中的数起大规模收购(Databricks 收购 Neon 与 Mooncake Labs,Snowflake 收购 Crunchy Data)进一步印证了其在开源数据库领域的事实标准地位。

在中国信创国产化背景下,大量基于 PostgreSQL 二次开发的国产数据库通过安全可靠测评,使得掌握 PostgreSQL 成为数据库技术人员的核心竞争力。无论是从技术演进还是产业趋势来看,PostgreSQL 都将是未来数据管理领域的重要基石。

5、Java 微服务架构实践:从六边形到洋葱架构 本文详细介绍了 Java 微服务架构的实践方法,重点探讨了六边形架构和洋葱架构的设计理念与实现方式。通过实际案例,展示了如何构建使用 PostgreSQL 和 MongoDB 的微服务,并运用 Liquibase 进行数据库初始化、MapStruct 实现实体映射、Lombok 简化代码等关键技术。同时,文章还展望了微服务架构在未来与云原生、人工智能等技术的融合发展方向。 阅读详情

相关推荐

PostgreSQL 18 Beta 2源码编译与AI原生能力实战

PostgreSQL作为开源关系型数据库的标杆,其向AI原生演进已成为行业关键趋势。从向量检索、LLM查询统计到MERGE原子操作,新一代数据库需在底层支持语义搜索、实时嵌入与混合负载。pgvector与pg_stat_statements的深度集成,标志着PostgreSQL不再仅是数据存储引擎,而是AI工作流的核心执行层。源码编译成为释放AVX-512加速、ICU Unicode 15.1支持及LLM查询指纹识别等特性的唯一路径,尤其在RAG系统、向量数据库和高并发OLTP+AI融合场景中,定制化构建直

weixin_28730927的博客 217

postgresql是国产数据库吗?

麒麟软件:麒麟软件面向通用和专用领域打造安全创新操作系统产品和相应解决方案,其操作系统产品与PostgreSQL数据库软件的多个版本进行了兼容适配,并发布了兼容适配证书,成为在国产CPU平台下运行PostgreSQL数据库软件的最佳操作系统。腾讯云数据库TDSQL:腾讯云自研的新一代高性能高可用的企业级分布式云数据库TDSQL-C,基于日志即数据库的设计理念,支持存算分离的数据库架构,100%兼容PostgreSQL,并已应用于腾讯地图、QQ、微信支付、腾讯游戏等业务系统中。

2401_84895357的博客 3656

LPDDR5X内存技术解析:性能提升与优化策略

内存技术在现代计算系统中扮演着核心角色,其性能直接影响整体系统效率。LPDDR5X作为JEDEC最新标准,通过提升数据传输率至8533Mbps、优化能效比15%以上,并扩展突发长度至32字节,显著提升了移动设备的处理能力。这些改进特别适用于5G通信、AI加速(如昇腾芯片)及8K视频处理等高带宽需求场景。技术原理上,LPDDR5X引入了动态电压频率调整(DVFS)和可编程突发长度等创新机制,有效降低了实际应用中的延迟。在工程实践中,合理的PCB布局和信号完整性验证是确保高速稳定运行的关键。随着AI和8K应用的

weixin_29190169的博客 403

入门PostgreSQL,pg的历史,为什么说pg是国产化的方向,与mysql的比较

pg的历史,为什么说pg是国产化的方向,与mysql的比较

Chad_it的博客 1万+

C# 调用halcon中visualize_object_model_3d显示点云

3.1 判断线程是否为空,如果为空,则新创建,如果不为空,则中断线程,清空窗口后再次执行创建操作3.2 创建:调用show()方法实例化显示类的对象,传入显示参数,将线程testvisual 绑定 在 类对象的action方法上(此处action方法内部,只调用了visualize_object_model_3d算子)3.3 启动线程。

weixin_42362219的博客 1407

菲涅尔波带片

菲涅尔波带片的简介,以及matlab绘制

Bestchinese的博客 1万+

国产数据库是否完全自主原创,看这一点就可以了

2010 年至今,随着国家对于信息安全和技术应用创新的重视,以及国内互联网 IT 巨头的入局,国产数据库迎来了快速扩张阶段,也造就了目前我们看到的国产数据库“百团大战”。相对而言,PostgreSQL 采用更加宽松的协议,可以闭源并进行商业销售,因此在国产化中更受厂商欢迎,更多厂商愿意承认是基于 PostgreSQL 的二次开发。由于 MySQL 采用 GPL 协议,基于它修改的软件也必须保持开源性,并在分发时提供源代码,导致一些厂商并不愿意承认自己是基于 MySQL 进行的二次开发。

Tony.Dong的专栏 771

XMC1402调试实战:如何用20元的Jlink-OB搞定SWD连接(附DAVE 4.4.2配置)

本文详细介绍了如何使用成本仅20元的Jlink-OB调试器,成功连接并调试英飞凌XMC1402芯片的完整实战流程。内容涵盖从理解芯片启动模式、使用Memtool完成首次烧录与模式切换,到Jlink-OB驱动安装、连接验证,以及在DAVE 4.4.2中配置调试环境并解决常见问题的全步骤,为个人开发者提供了一套高性价比的SWD调试解决方案。

zz67890的博客 556

PostgreSQL这么多好处,为什么使用MySQL的还是多数?

PostgreSQL正成为国产数据库创新的首选技术底座。相比MySQL,PostgreSQL在数据类型丰富度、序列支持、扩展功能、监控工具、复制机制等方面具有显著优势,尤其适合复杂数据模型和强一致性需求场景。国内头部企业如腾讯、阿里、华为等纷纷基于PostgreSQL深度定制开发分布式、云原生数据库系统。虽然MySQL在读多写少的Web应用场景仍具优势,但PostgreSQL凭借其开源特性、强大功能和稳定架构,正成为国产数据库实现自主可控的重要技术基础。

【可全包】本人程序员,不需要做任何吹嘘,只是实在写点程序,写点文档,熟悉各类主流框架,SSM,SpringBoot,Flask,Djiango,Mysql,Sqlite,VUE,Uniapp等,各类程序设计专家,优质作者 963

闲人闲谈PS之一项目库存跨公司业务STO解决方案--SAP闲人的开篇

写这篇文章之前,简单说一下发这篇文章的动机。也算是在SAP这一行干了快10多年,在对一个模块了解越来越深入,越发觉自己的SAP知识浅薄。总的来说,和多数顾问一样,对于**标准功能**的应用业务场景理解还是存在或多或少的知识盲区。 因为一个偶然,看到SAP团子君的文章,分享了很多干货文章。这也是自己一直想做的时候,不管水平高低与否,分享本身就意味着提升。好了废话不多说,先在优快云上发一篇吧,困惑自己将近10年的问题的解决方案。 业务场景:在项目型企业中,通常会有这样的业务,母公司和客...

SAP闲人的博客 9270

zabbix添加IBM服务器SNMPV3监控

本地采用欧冠的是zabbix5.0,服务器型号是SR860,使用snmpv3因为只支持这个,醉了。说明:本地采用欧冠的是zabbix5.0,服务器型号是SR860。

萌新包大人的博客 1986

PostgreSQL笔记1:AI时代的数据底座——从趋势到实践的全面解读

PostgreSQL已成为AI时代的一体化数据底座,在DB-Engines排名中位列第四,Stack Overflow调查显示其是开发者最受欢迎的数据库。PostgreSQL不仅具备传统关系型数据库的核心能力,还通过扩展生态支持向量检索、图查询、空间数据等多种数据形态,满足AI应用对数据库的严苛需求。学习路径应从环境搭建、核心原理到实战优化,掌握其作为数据基础设施的关键价值。

Wang的专栏 302

整车电检工艺流程

本文是笔者在从事汽车行业智能制造领域过程,对于整车电检工艺流程的理解与总结。

qq_40664711的博客 1万+

【AI大数据工程师特训笔记】第02讲:PostgreSQL数据库生态全景

这一批扩展聚焦于。

tianp123的博客 946

SerDes系列之如何选择AC耦合电容

交流耦合电容用于隔离PCB互连时的直流分量(Common-mode voltage),同时传递交流分量(Voltage swing),其作用类似于一个高通滤波器,但是,如果电容容值选取不当,使用过程中会产生信号质量问题,典型的应用场景:当包含相同的长串1或0的NRZ数据应用于该高通滤波器时,会发生低频电压跌落,导致低频模式相关抖动(PDJ)。

一只豌豆象的博客 2356

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

PostgreSQL vs MySQL:谁才是你的真爱?

老板让我三天后上线新项目,但连数据库用啥都没定!“我能存地图坐标(PostGIS)、搞时间穿越(时序数据库)、甚至兼容MySQL(FDW外接插件)……今天我们就用“相亲视角”,扒一扒这两位数据库界的“顶流”——“我会分库分表(靠Vitess工具人),还会内存临时表(重启就失忆)!行级锁安排,但别让我写太复杂的日志!:如果用MyISAM引擎(默认不是),表级锁直接卡成PPT。:30+(1996年出道,老牌但不过时):30+(比PG大两岁,但保养得好):“你这需求不够严谨,我改改。:“别整复杂的,我都能扛!

weixin_49707375的博客 2074

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

从 U 位到 IP 池:RackTables 与 Netbox 数据中心资产管理的完整指南

在一个数据中心里,设备装在哪个机柜的哪个 U 位、它的 IP 和 VLAN 又接在哪台交换机上,往往散落在不同的表和不同人的记忆里。这篇文章用 RackTables 与 Netbox 两个开源工具,讲清数据中心资产管理的分工:物理资产归谁记、IP 地址管理归谁管、环境怎么搭、两套台账怎么保持一致。 ## 🧩 先分清楚:物理层归 RackTables,网络层归 Netbox 做数据中心资产管理

gitblog_00656的博客 939

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/

从 Facebook 到阿里再到小质科技,王绍翾携 ProtonBase 在全球数据库市场_打怪升级_

在硅谷与杭州西溪湿地之间辗转二十年,王绍翾的职业生涯像一条精准的技术演进曲线——从构建Facebook万亿级社交图谱底座,到主导阿里搜索与达摩院AI工程化,最终将目标锁定在==用一款产品统一数据层==。2021年创立的==小质科技==,用四年时间交出一份答卷:融资1亿美金的ProtonBase。

m0_52165864的博客 1021

从 Facebook 到阿里再到小质科技,王绍翾携 ProtonBase 在全球数据库市场“打怪升级“

小质科技CEO王绍翾携ProtonBase数据库亮相AICon大会,这款历时4年打造的产品兼具分布式数据库、实时数仓、文本检索和OLAP分析等多模能力,重新定义了流批一体计算范式。ProtonBase通过实时增量物化视图技术取代Flink,支持向量检索和湖仓一体,在金融量化交易、车联网等高并发场景实现亚秒级决策。王绍翾指出,未来应用将建立在Data API和AI API之上,ProtonBase已率先实现"多模数据库+AI数据查询入口"的整合。目前产品已在金融、车联网等行业落地,帮助客户

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 2万+

六边形架构与高可用实践:智能开发平台的重构之路

软件架构设计中,如何平衡核心业务逻辑与外部系统交互的复杂性,始终是工程团队面临的长期挑战。六边形架构通过端口与适配器模型,在领域核心与外部技术实现之间构建起清晰的隔离带,使系统具备更强的可维护性与扩展性。这一模式不仅适用于常见业务系统,更在需要对接多种异构基础设施的智能开发平台中体现出独特价值。与此同时,高可用设计作为平台稳定运行的基石,要求从存储层到智能能力层进行层次化保障。例如基于Patroni的PostgreSQL自动故障转移、HBase Region容灾机制、模型服务的熔断与优雅降级策略,都在实际生

weixin_42593130的博客 161

外国专家说PG 18 AI能力不行,到底行不行?

总结:AI数据库是为AI而生的,AI数据库一部分商业的数据库是通过分布式来分解计算压力,同时在事务本身方面,并不支持一个强事务的模型,这些商业的AI数据库只支持向量的查询,连OLAP的支持能力都不是他们的能力所及。PG作为一个六边形战士,讲究的是综合的能力,而非是他是AI顶尖的数据库,他是OLAP顶尖的数据库,PG的人设是一个什么都可以的,什么都兼容,符合大部分应用场景的数据库产品,写了3750万字的我,在2000字的OB白皮书上了一课--记 《OceanBase 社区版在泛互场景的应用案例研究》

sql server的专栏 737

基于Spring AI的Ai Agent智能体项目解析:动态配置、MCP编排与系统演示

> 本文以 CodeGuide 仓库中《Ai Agent》第3-0节为核心,系统讲解一套基于 Spring AI 的自动化 Ai Agent 服务:如何通过数据库表动态配置模型、客户端、对话预设、执行规划、顾问(记忆/RAG/日志)与工具(MCP),并把单个 Client 串联成完整 Agent 调用链。读完本文,你将掌握该项目的演示效果、功能流程、14 张库表的拆分逻辑、六边形架构分层,以及它承

gitblog_00553的博客 274

泉城济南IvorySQL 2025 “雷暴云” 就在云和云原生会场

最后就是用户上场,我这个刺头刘,天天为难云企业的暴力男,除了不满还是不满,可这次刺头刘也犯难,上云后,产品那么多,我怎么选择,是根据自己的好恶来选择,还是理性的选择产品,从什么角度,什么方式,参加的议题的人是络绎不绝,最后到了我们需要协调的地步,可见云,云原生这条数据库未来的出路有多么的热,作为开源数据库最大的分支之一,PostgreSQL数据库在云上的热度一直很高,,接下来就是我们中立云厂商的,魏兴华魏老师登场了,作为沃趣科技的CTO,在公有云,私有云,线下部署,企业客户的左顾右盼里面,

sql server的专栏 1012

4 年融资 1 亿美金,ProtonBase 王绍翾揭秘 Data Warebase 核心技术

《数据库行业颠覆者ProtonBase:小质科技CEO王绍翾详解"六边形战士"的多模创新》 摘要:小质科技CEO王绍翾在AICon大会首次深度解析其核心产品ProtonBase的技术突破。这款历时4年研发的分布式数据库融合六大核心能力:支持行列混合存储的HTAP架构、实时增量物化视图技术、向量检索、文本检索、OLAP分析及湖仓一体,重新定义了"DataWarebase"概念。基于Facebook和阿里技术积累,ProtonBase已成功应用于金融量化交易(实现亚秒级决

商务合作欢迎私信我 1万+
上一篇: PostgreSQL笔记1:AI时代的数据底座——从趋势到实践的全面解读
下一篇: PostgreSQL笔记3:从学术项目到开源数据库标杆——PostgreSQL发展历程回顾
Wang's Blog
博客等级 码龄12年 7441粉丝 2427原创
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
 
 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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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