亚当·亨德尔：在Postgres上实现向量数据库的运营
原文英文，约1400词，阅读约需6分钟。
📝
内容提要
本文介绍了向量数据库的必要性和使用pg_vectorize生成和搜索嵌入向量的方法。pg_vectorize提供了管理转换的方法，并支持定时和实时更新嵌入向量。支持的嵌入模型包括OpenAI和Hugging Face的模型。
❓
Q&A
向量数据库的必要性是什么？
向量数据库的必要性源于对嵌入的高效存储、索引和搜索需求。
pg_vectorize如何生成和搜索嵌入向量？
pg_vectorize通过跟踪生成嵌入所用的变换模型，支持实时和定时更新嵌入向量。
如何在Tembo Cloud上启动VectorDB实例？
可以在Tembo Cloud上免费启动VectorDB实例，或在本地运行docker-compose示例。
pg_vectorize支持哪些嵌入模型？
pg_vectorize支持所有OpenAI和Hugging Face的嵌入模型，包括私有模型。
如何管理嵌入的更新？
pg_vectorize提供基于时间的调度和实时触发两种管理嵌入更新的方法。
如何将文本转换为嵌入？
可以直接通过vectorize.transform_embeddings方法将文本转换为嵌入。
🏷️
