一个用于高性能近似最近邻（ANN）搜索的PostgreSQL扩展。状态：alpha。用于测试，不用于生产。升级到预发布版本时可能无法进行；计划删除并重新创建扩展及其索引。查看变更日志了解已知问题。PRISM索引（100M+向量）—— IVF风格，具有层次路由的RaBitQ量化，具有二阶段搜索的理论误差范围，SIMD优化的距离计算（AVX2，AVX512，NEON）动态更新——插入、更新和删除，通过prism_rebalance进行文档列表拆分（见维护）pgvector兼容——按原样索引现有的向量和halfvec列（见现有的pgvector表）PRISM索引PRISM（Partitioned Routing Index for Similarity Matching）是一个PostgreSQL本地索引访问方法，其概念上类似于pgvector的IVFFlat，但它围绕最先进的量化、路由和分区技术构建。它用C实现，以实现高性能和与PostgreSQL的无缝集成。结果：一个明显比pgvector的IVFFlat和HNSW更快的索引，无论是在查询还是索引构建方面。实际上，与基于图的HNSW相比，在100百万向量数据集上，PRISM在内存四分之一的实例中以等效的召回率更快。为了实现这一性能，PRISM使用层次中心树将向量分成簇，并依赖PostgreSQL缓冲缓存保持该树在内存中温暖。向量经过RaBitQ量化，并以优化的页面布局存储在文档列表中，以便进行SIMD距离计算。RaBitQ编码携带误差范围，使搜索能够排除不可能是最近邻的向量，从而减少需要与存储在表中的全精度向量重新排名的向量数量。查询流程：1.遍历中心树以查找最近的簇（缓冲缓存）2.扫描文档列表以获取候选（缓冲缓存，异步I/O）3.RaBitQ二阶段过滤：估计→误差范围→重新排名4.从堆中进行全精度重新排名5.返回k个最近邻有关详细架构，请参见docs/architecture.md。使用首先安装扩展；请参见构建。有两种方法使用PRISM索引。选择与向量所在位置匹配的那一个：原生类型。全新开始或不使用pgvector？将向量存储在pg_vectorsearch自己的vec32（float32）或vec16（float16）列中。无需其他扩展。现有pgvector表。已经有向量或halfvec列？在pgvector旁安装pg_vectorsearch，并在那些列上按原样构建PRISM索引。你的表和查询保持不变。两种路径构建相同的索引，并使用相同的操作符（<->，<#>，<=>）和调整旋钮。原生类型创建扩展pg_vectorsearch；-- PLAIN保持向量内联。EXTERNAL（默认）对大约2 kB以上的值进行递归处理，然后需要重新排名，计划器不收取额外费用。CREATE TABLE items ( id serial PRIMARY KEY , embedding vec32( 3 ) STORAGE PLAIN ); -- 首先加载；索引大小由CREATE INDEX时的行数决定。-- 500行足够让计划器使用索引。INSERT INTO items (embedding) SELECT ARRAY[i:: real , (i % 7 ):: real , (i % 5 ):: real ]::vec32 FROM generate_series( 1 , 1000 ) i; -- 对于内积或余弦，请参见下面的操作符类。CREATE INDEX ON items USING prism (embedding vec32_l2_ops); -- 0 = 自动（~0.95召回）。提高以提高召回率，降低以提高速度。SET prism . nprobe = 40 ; SELECT * FROM items ORDER BY embedding < - > ' [3,1,2] ' LIMIT 5 ; 使用vec16代替vec32，以减半表中向量所占用的空间，同时使用匹配的vec16_*操作符类。现有pgvector表如果您已经有包含pgvector的向量或halfvec列的表，您可以直接在其上构建PRISM索引。表或查询不需要更改。vec32和vec16与pgvector的向量和halfvec是二进制兼容的，但名称不同，因此两个扩展可以并肩安装，甚至在同一架构中。-- 你已经拥有的表，包含在内以便示例独立运行。CREATE EXTENSION vector; CREATE TABLE documents ( id bigserial PRIMARY KEY , body text , embedding vector( 384 ) ); CREATE INDEX documents_embedding_hnsw ON documents USING hnsw (embedding vector_l2_ops); -- 在pgvector旁安装pg_vectorsearch，并在现有列上构建索引。该列并不会被重写或复制。CREATE EXTENSION pg_vectorsearch; CREATE INDEX documents_embedding_prism ON documents USING prism (embedding vec32_l2_ops); -- 你的查询保持原样。PRISM通常更快，因此 -- 计划者应该更喜欢它而不是HNSW索引，同时两个索引都存在。-- 通过EXPLAIN验证：EXPLAIN (COSTS OFF) SELECT id, body FROM documents ORDER BY embedding < - > ( SELECT embedding FROM documents WHERE id = 42 ) LIMIT 10 ; -- 限制-- InitPlan 1 -- -> Index Scan using documents_pkey on documents documents_1 -- Index Cond: (id