让PostgreSQL成为更优秀的AI数据库
内容提要
Timescale推出了pgai和pgvectorscale两个开源扩展，旨在提升PostgreSQL在AI应用中的表现。pgvectorscale增强了向量搜索性能，支持更大规模的AI应用；pgai则简化了AI工作流，支持直接在数据库中创建OpenAI嵌入。这些扩展使开发者能够更高效地构建AI应用，降低了对独立向量数据库的需求。
延伸解读
性能基准：PostgreSQL 对比 Pinecone
文章引用了一项基准测试，使用 5000 万个 Cohere 嵌入（768 维），在 99% 召回率下，PostgreSQL 搭配 pgvector 和 pgvectorscale 实现了比 Pinecone 低 28 倍的 p95 延迟、高 16 倍的查询吞吐量，并且在 AWS EC2 上自托管时成本降低 75%。这些数据表明，对于大规模向量搜索，PostgreSQL 方案在性能和成本上可能更具优势。
pgvectorscale 的技术创新
pgvectorscale 基于 pgvector 构建，初始版本包含两项关键创新：StreamingDiskANN 和统计二进制量化（SBQ）。StreamingDiskANN 受微软研究启发，是一种高性能、成本高效的向量搜索索引；SBQ 由 Timescale 研究人员开发，改进了标准二进制量化技术。这些创新旨在解决 pgvector 在性能和可扩展性方面的局限。
pgai 简化 AI 工作流
pgai 扩展允许开发者在 PostgreSQL 中直接创建 OpenAI 嵌入和获取聊天完成结果，例如使用 openai_embed 函数为表中的每一行生成嵌入。这简化了从概念验证到生产的开发过程，并支持对现有关系数据进行分类、摘要和数据丰富等任务，降低了构建 AI 应用的门槛。
对开发者的实际影响
通过开源 pgai 和 pgvectorscale，Timescale 旨在让开发者无需采用独立的向量数据库，从而简化数据架构。早期使用者反馈，嵌入更新变得更简单高效，且无需重新实现常见功能。这有助于开发者更专注于改进 AI 应用，而非管理数据库。
Q&A
pgai和pgvectorscale的主要功能是什么？
pgai简化了AI工作流，支持直接在数据库中创建OpenAI嵌入；pgvectorscale增强了向量搜索性能，支持更大规模的AI应用。
使用pgvectorscale有什么性能优势？
pgvectorscale在处理50百万个Cohere嵌入时，能实现28倍更低的p95延迟和16倍更高的查询吞吐量，且成本降低75%。
pgai如何帮助开发者构建AI应用？
pgai允许开发者在PostgreSQL中直接进行嵌入创建和模型完成，简化了从概念验证到生产的开发过程。
pgvectorscale的创新技术有哪些？
pgvectorscale的初始版本包括StreamingDiskANN和统计二进制量化（SBQ），显著提高了向量搜索性能。
为什么PostgreSQL被认为是未来AI应用的基础？
PostgreSQL拥有丰富的扩展生态系统和社区支持，能够满足开发者对AI数据库的需求，简化数据架构。
如何安装pgai扩展？
可以通过命令`create extension if not exists ai cascade;`来安装pgai扩展，同时会自动安装pgvector。
