Розробка RAG з pgvector: векторний пошук у PostgreSQL

Ви працюєте з PostgreSQL, і раптом знадобився семантичний пошук за документами. Підіймати окрему векторну БД — зайві 3–5 днів налаштування, ще один сервіс, нові API, моніторинг. pgvector — розширення PostgreSQL, яке додає тип vector та операції косинусної відстані прямо у вашу знайому БД. Ми — команда з 10+ річним досвідом в AI/ML та сертифіковані інженери PostgreSQL. За останні 5 років впровадили RAG з pgvector для 20+ проєктів, від стартапів до enterprise. Гарантуємо стабільну роботу при навантаженні до 10M векторів. Отримайте безкоштовну консультацію — ми оцінимо ваш проєкт за один день. Вартість впровадження RAG з pgvector зазвичай становить від $3000 до $8000 в залежності від обсягу даних та складності.

Чому pgvector, а не окрема векторна БД?

Якщо ваші дані вже в PostgreSQL, додавання pgvector не вимагає нового компонента. Порівняйте з Pinecone (pgvector у 3 рази дешевший в експлуатації):

pgvector краще для помірних обсягів (до 5M векторів) і коли не хочеться додавати новий сервіс. Для масштабів >50M векторів або ultra-low latency (p99<2ms) Pinecone може бути виправданим, але для 80% RAG-проєктів pgvector — оптимальний вибір. pgvector підтверджує, що розширення підтримує всі необхідні операції для семантичного пошуку.

Як вибрати модель embedding для pgvector?

pgvector сумісний з будь-якою моделлю, що повертає вектор фіксованої розмірності. Найчастіше застосовують text-embedding-3-small від OpenAI (1536 dim), BERT-based моделі (768 dim) або open-source моделі з Sentence Transformers. Розмірність вектора впливає на продуктивність: 768-dim вектор потребує вдвічі менше пам'яті, ніж 1536-dim, але може мати нижчу точність. Для більшості RAG-проєктів рекомендуємо text-embedding-3-small: баланс якості та швидкості.

Що робити, якщо pgvector працює повільно?

Якщо пошук займає більше 20 мс, перевірте:

• Чи використовується HNSW індекс? IVFFlat повільніший і менш точний.
• Обмежте кількість кандидатів параметром ef_search (за замовчуванням 40, можна зменшити до 20).
• Збільште work_mem для сортування результатів.
• Перевірте, чи не фільтруєте ви за неіндексованим стовпцем – це сповільнює запит.

При правильному налаштуванні pgvector видає стабільні 5–15 мс на 1M векторів.

Як налаштувати RAG pipeline з pgvector?

Крок 1: Встановлення pgvector

-- Встановлення розширення CREATE EXTENSION IF NOT EXISTS vector; -- Таблиця для документів CREATE TABLE document_chunks ( id BIGSERIAL PRIMARY KEY, content TEXT NOT NULL, source VARCHAR(512), doc_type VARCHAR(64), page_number INTEGER DEFAULT 0, metadata JSONB, embedding vector(1536), -- dimension = модель embedding created_at TIMESTAMP DEFAULT NOW() ); -- HNSW індекс для швидкого пошуку CREATE INDEX ON document_chunks USING hnsw (embedding vector_cosine_ops) WITH (m = 16, ef_construction = 64); 

Крок 2: Індексація через Python

import psycopg2 from openai import OpenAI import json conn = psycopg2.connect("postgresql://user:pass@localhost:5432/ragdb") openai_client = OpenAI() def index_chunk(text: str, source: str, doc_type: str, metadata: dict): # Отримуємо embedding response = openai_client.embeddings.create( model="text-embedding-3-small", input=text, ) embedding = response.data[0].embedding with conn.cursor() as cur: cur.execute(""" INSERT INTO document_chunks (content, source, doc_type, metadata, embedding) VALUES (%s, %s, %s, %s, %s) """, (text, source, doc_type, json.dumps(metadata), embedding)) conn.commit() 

Крок 3: Векторний пошук з фільтрацією

def search_similar(query: str, doc_type: str = None, limit: int = 5) -> list: query_embedding = openai_client.embeddings.create( model="text-embedding-3-small", input=query, ).data[0].embedding sql = """ SELECT content, source, doc_type, metadata, 1 - (embedding <=> %s::vector) AS similarity FROM document_chunks WHERE ($2::text IS NULL OR doc_type = $2) ORDER BY embedding <=> %s::vector LIMIT %s """ with conn.cursor() as cur: cur.execute(sql, (query_embedding, doc_type, query_embedding, limit)) results = cur.fetchall() return [ {"text": r[0], "source": r[1], "similarity": r[4]} for r in results ] 

Оператори pgvector:

Що входить в роботу?

• Аналітика: оцінка обсягів даних, вибір моделі embedding, проектування схеми.
• Налаштування pgvector: встановлення розширення, створення індексів (HNSW/IVFFlat), налаштування параметрів PostgreSQL для високого навантаження.
• Ingestion pipeline: Python-скрипти для розбивки документів, генерації embeddings та запису в таблицю.
• RAG-пайплайн: реалізація пошуку, ранжування, формування промпту для LLM.
• Тестування: заміри latency (p99), точності (Recall@k), стрес-тест.
• Документація: опис архітектури, інструкція з експлуатації, дамп для відновлення.
• Підтримка: 2 тижні постінгу — допомагаємо з доопрацюваннями під ваші сценарії.

Строки орієнтовно

Вартість розраховується індивідуально — залежить від обсягу даних та складності інтеграції. Замовте впровадження RAG з pgvector — ми допоможемо спроектувати рішення під ваші обсяги даних.