pgvector 与其他向量检索方案

核心答案：先看数据、过滤和运维约束，再选存储。 pgvector 是 PostgreSQL 扩展；FAISS 主要是相似度搜索库；Qdrant 是独立向量数据库服务。它们的产品边界不同，不能只比较一个检索耗时数字。

选型表

方案	适合评估的情形	必须考虑的额外责任
PostgreSQL + pgvector	已有关系数据、需要 SQL 与事务关联	数据库资源竞争、索引与过滤调优
FAISS	本地实验、嵌入应用、算法或批处理研究	元数据、并发服务、版本和持久化体系
Qdrant	向量检索作为独立服务，需专用向量能力	另一套服务的备份、权限与数据同步
托管检索服务	希望降低基础运维负担	费用、数据边界、接口与迁移成本

FAISS 官方仓库定位为向量相似度检索与聚类库；Qdrant 文档展示其过滤能力。这里不做未经本项目数据验证的性能排名。

最小例子：精确搜索作为基线

vectors = {"a": (1, 0), "b": (0, 1), "c": (0.8, 0.2)}
q = (1, 0)
def squared_l2(v):
    return sum((x - y) ** 2 for x, y in zip(q, v))
ranked = sorted(vectors, key=lambda k: squared_l2(vectors[k]))
assert ranked == ["a", "c", "b"]

这是穷举距离的独立示例。近似索引降低搜索工作量时，需要与精确结果比较召回率，而非把“更快”自动当成“更好”。同一实验还要固定数据、维度、查询集、过滤条件与硬件。

本项目选择 pgvector 的原因

教材、资料版本、审核记录和任务状态本来就需要 PostgreSQL。将片段元数据与向量放在一起，有利于来源追踪、版本筛选与教学等级过滤，也减少一个独立服务。小数据首先使用精确查询更容易解释与验证；规模增长后再测 HNSW 或 IVFFlat。

注意近似索引与过滤组合可能返回不足 k 条。pgvector 的迭代扫描等能力可以改善这一问题，但依赖扩展版本和配置；并非“加了索引就无需调优”。此外，SQL 同库并不表示所有图状态与外部调用天然拥有共同事务。参见系统架构。

自测与排障

在三条示例数据中新增地区字段，先筛选再计算精确结果。然后解释近似候选先被截断、再被过滤时为什么可能不足 k。验收是能提出精确对照与索引执行计划检查，而非记住某种索引名称。

常见误区是用向量条数设定通用选型阈值。相同条数下，维度、过滤选择性、并发、更新频率和延迟目标都可能改变答案。

官方资料与版本边界

• pgvector 官方仓库：距离、索引与过滤；迭代扫描从 0.8.0 起提供。
• FAISS 官方仓库：库的能力边界。
• Qdrant Filtering：结构化过滤语义。

核验日期：2026-11-03。项目实际 PostgreSQL 与扩展版本以 Compose 和验收报告为准；本页没有宣称对其他方案完成压测。