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
- 事务处理(
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)
- 向量数据库能力(
- 行业生态与资本动向
Databricks收购NeonSnowflake收购Crunchy DataDatabricks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。
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。
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
- 安装依赖:
npm install pg @types/pg typescript ts-node - 确保本地
PostgreSQL已安装pgvector扩展 - 修改数据库连接配置
- 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
- 创建
main.go文件,粘贴上述代码 - 执行
go mod tidy - 确保本地
PostgreSQL已安装pgvector扩展 - 修改数据库连接字符串(用户、密码、数据库名)
- 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
- 创建
vector_demo.py文件,粘贴上述代码 - 执行
pip install psycopg2-binary pgvector - 确保本地
PostgreSQL已安装pgvector扩展 - 修改数据库连接参数(host、port、database、user、password)
- 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
- 创建 Maven 项目,在
pom.xml中添加上述依赖 - 创建
VectorDemo.java文件,粘贴上述代码 - 确保本地
PostgreSQL已安装pgvector扩展 - 修改数据库连接 URL、用户名和密码
- 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 |
|---|---|---|---|
| Go | pgx + pgvector-go | pgxvec.RegisterTypes(ctx, conn) | pgvector.NewVector() |
| Python | psycopg2 + pgvector-python | register_vector(conn) | 直接传递 list |
| Java | JDBC + pgvector-java | PGvector.registerTypes(conn) | PGvector.newVector() |
| Node.js | pg + 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
- Neon 官方文档
- Databricks + Neon 收购公告
- Snowflake + Crunchy Data 收购公告
- Mooncake Labs 加入 Databricks 公告
- DB-Engines 数据库排名
- 安全可靠测评结果公告
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。
217



被折叠的 条评论
为什么被折叠?



