光环标志
光环基地文档
文档›指南›RAG 和 pgvector

RAG 和矢量搜索指南

结合 PostgreSQL pgvector 和 Aurabase 的统一 AI 网关，构建闪电般快速的语义搜索和全面的检索增强生成 (RAG) 系统。

12分钟 读取·级别 先进的·修改于 2026年8月19日
该英文文本是根据法文原文自动生成的，尚未经过审查。
该页面已自动翻译。英文版具有权威性。
#
建筑

Aurabase 上的 RAG 只需 3 步

RAG 允许您的 AI 模型对您自己的私人数据做出准确响应，而无需重新训练：

  • 矢量化：使用 aura.ai.embed()将文本文档转换为数字向量。
  • 存储和索引：向量存储在 PostgreSQL 中，具有本机扩展 pgvector。
  • 增强和答案：将问题与存储的向量进行比较，并通过 aura.ai.chat()向法学硕士提供相关片段。
#
实施

完整的 RAG 管道代码

src/lib/index-doc.tstypescript
import { aura } from '@/lib/aurabase'

export async function indexDocument(content: string, metadata: Record<string, any>) {
  // 通过 AI Gateway Aurabase 计算向量嵌入
  const { vectors } = await aura.ai.embed({
    provider: 'openai',
    model: 'text-embedding-3-small',
    input: [content],
  })

  // 保存在 PostgreSQL 表中
  const { data, error } = await aura.from('documents').insert({
    content,
    metadata,
    embedding: vectors[0],
  })
  return { data, error }
}
#
性能

用于 10 毫秒以下查询的 HNSW 索引

对于包含数十万个向量的数据库，HNSW（分层可导航小世界）索引 提供比 ivfflat明显更好的搜索性能：

HNSW 指数（推荐）

零预训练时间，召回率 > 99%，即使连续插入新文档也能保持恒定的延迟。

余弦距离 (<=>)

使用 <=> 运算符计算嵌入向量之间的归一化余弦距离。

#
优化

语义缓存和令牌节省

Aurabase 的 AI Gateway 集成了自动 语义缓存：如果两个用户提出类似的问题（余弦相似度大于 0.95），则从 中的内存缓存中提供答案，耗时小于 2 毫秒，节省 100% 的 LLM 调用成本。

最后更新· 2026年8月19日