PostgreSQL与Pgvector：速度比Pinecone快75%，成本降低75%，且100%开源
内容提要
pgvectorscale是一个开源扩展，旨在提升PostgreSQL在AI应用中的性能和可扩展性。它基于pgvector，提供高效的向量存储和搜索能力，能够与专用向量数据库竞争。通过引入StreamingDiskANN索引和统计二进制量化，pgvectorscale显著提高了查询速度和准确性，同时降低了成本，适合开发高性能的AI应用。
延伸解读
性能基准：与Pinecone的对比
文章基于5000万个Cohere嵌入（768维）的基准测试，对比了PostgreSQL（pgvector+pgvectorscale）与Pinecone的性能。在99%召回率下，PostgreSQL的p95延迟比Pinecone的存储优化索引（s1）低28倍，查询吞吐量高16倍；在90%召回率下，其p95延迟比Pinecone的性能优化索引（p2）低1.4倍，吞吐量高1.5倍。这些数据表明，pgvectorscale使PostgreSQL在向量搜索性能上可与专用向量数据库竞争。
成本优势：自托管节省显著
自托管PostgreSQL（pgvector+pgvectorscale）在AWS EC2上的月成本约为835美元，而Pinecone的存储优化索引（s1）月成本为3241美元，性能优化索引（p2）为3889美元。这意味着自托管方案比Pinecone便宜75-79%。这一成本差异主要源于pgvectorscale的磁盘优化索引，利用更便宜的SSD存储替代内存，从而降低大规模向量工作负载的总体拥有成本。
技术核心：StreamingDiskANN与SBQ
pgvectorscale引入StreamingDiskANN索引，受微软DiskANN启发，专为磁盘存储优化，相比内存索引（如HNSW）更成本高效。它支持流式过滤，在应用二级过滤时能持续检索直到满足LIMIT N，避免HNSW因ef_search限制导致的召回率下降。此外，统计二进制量化（SBQ）由Timescale研发，相比传统二值量化（BQ）和乘积量化（PQ），在减少存储空间的同时提高了搜索准确度，实现了更好的性能与精度平衡。
开源生态与开发者体验
pgvectorscale采用PostgreSQL许可证开源，基于pgvector构建，使用Rust编写，为社区贡献提供了新途径。它保留了PostgreSQL的完整功能，如事务语义、丰富数据类型和运维工具（如pg_stat_statements、EXPLAIN），使开发者无需牺牲通用数据库的优势。与独立向量数据库相比，这种集成方案简化了技术栈，降低了管理复杂度，适合需要生产级AI应用的团队。
Q&A
pgvectorscale的主要功能是什么？
pgvectorscale是一个开源扩展，旨在提升PostgreSQL在AI应用中的性能和可扩展性，提供高效的向量存储和搜索能力。
pgvectorscale如何提高查询速度和准确性？
pgvectorscale通过引入StreamingDiskANN索引和统计二进制量化技术，显著提高了查询速度和准确性。
使用pgvectorscale的成本优势是什么？
自托管PostgreSQL与pgvectorscale的成本比使用专用向量数据库Pinecone低75-79%。
pgvectorscale与Pinecone相比有什么优势？
pgvectorscale在性能上可以与Pinecone相媲美，且提供更低的成本和更灵活的数据库功能。
StreamingDiskANN索引的优势是什么？
StreamingDiskANN索引优化了存储在磁盘上的索引，使其在处理大规模向量时更具成本效益，并支持流式过滤。
统计二进制量化（SBQ）如何改善搜索性能？
SBQ提高了搜索性能和准确性，减少了存储空间需求，提供更好的准确性与性能的权衡。
