华为云RDS Supabase AI应用正式公测，基于开源Supabase与RDS PostgreSQL全托管能力，提供认证、数据API、存储、实时推送等开箱即用的BaaS服务，可将后端开发周期从月级缩短至天级。相比自建方案，它支持一键部署、主备高可用、安全合规与可视化运维，并内置pgvector向量检索和MCP接入，使AI Agent可直接操作数据库，实现数据自主可控。

该课程介绍如何在 PostgreSQL 内构建生产级混合搜索，无需 Elasticsearch 等外部集群。它结合关键词匹配与向量语义检索，用 RRF 在 SQL 中合并排序结果，并以 24 万篇维基百科文章为例，演示 BM25 排序、pgvector 存储 384 维嵌入、查询计划分析，以及 Python、FastAPI 和 Psycopg 后端实现。

文章比较了pgvector与专用向量数据库。pgvector是Postgres扩展，可在同一数据库内同时存储向量与关系数据，支持多种向量类型和距离函数。作者用Docker在本地对pgvector和Qdrant做基准测试，但10万向量的规模太小，难以得出结论。文章引用Tiger Data的5000万向量生产级测试：在99%召回率下，pgvector配合pgvectorscale吞吐达471 QPS，远超Qdrant的41 QPS；但Qdrant尾延迟更优，p99为38.71ms对74.60ms，索引构建也快约3.4倍。结论：千万级以下、需要事务一致性的场景选pgvector；超大规模、严格尾延迟SLA或零运维需求的场景选专用数据库。

本文讨论AI数据库选型，需同时兼顾向量检索与事务数据。评估标准包括分支隔离、无服务器扩展、混合搜索、ACID保障和统一访问。文章对比了Pinecone、Weaviate、pgvector、Milvus、Qdrant、Redis、MongoDB Atlas、Chroma及Databricks Lakebase等方案：专用向量库适合大规模检索，pgvector适合已有Postgres环境，Lakebase则整合事务、搜索与分析。选型应依据检索模式、现有技术栈、并发延迟及治理需求。

PGConf.Asia 2026将于11月17日至18日在香港举行。EDB成员将作为演讲者参与，议题涵盖PostgreSQL未实现功能、AI生成SQL、基于pgvector的混合搜索与RAG管道、横向扩展架构与核心开发、数据建模与锁竞争等性能调优，以及基于CloudNativePG和TPA的Kubernetes集群运维。

Databricks Lakebase 是全托管无服务器 Postgres，自动处理补丁、扩缩容、故障转移和备份，写入速度比标准 Postgres 快 5 倍，内置时间点恢复、安全、连接池和数据库分支，支持 pgvector 向量检索与 LLM 状态存储，适合 AI 应用。跨区域灾难恢复仍处私有预览，需手动故障转移。

本文比较了Redis与专用向量数据库（如Pinecone、Milvus、Qdrant）及pgvector的优劣。Redis作为统一实时平台，整合向量搜索、语义缓存、会话管理等功能，可降低基础设施复杂性和LLM成本，适合混合工作负载。专用数据库在超大规模或特殊调优时更优，pgvector适合小规模场景。选择取决于架构需求、运维能力和成本考量。

本文介绍Postgres与pgvector实现混合搜索（向量相似度+标量过滤）的模式。核心问题是向量索引返回近似排序结果，无法直接与WHERE过滤结合。pgvector 0.8提供迭代索引扫描，但需权衡召回率与性能。其他方案包括：部分HNSW索引（适合低基数稳定过滤）、过采样后过滤（适合高基数）、缓存响应（适合重复查询）。文章还提供EXPLAIN诊断方法和选择指南。

本文介绍了如何使用检索增强生成（RAG）技术处理大型API文档。通过将文档分块和提取向量，用户可以快速查询相关信息。系统使用Node.js、PostgreSQL和Google Gemini等技术，支持用户上传PDF并通过自然语言提问，返回相关答案。教程详细说明了项目设置、数据库连接、文档处理和查询流程，旨在提高文档的可用性和查询效率。

本文总结了构建完整AI系统的过程，包括数据库设置、索引创建、文档嵌入和相似性搜索等步骤。使用pgvector与PostgreSQL集成，设计决策关注工具选择、记忆管理和多步骤推理。未来将探讨评估、可观察性和安全性等主题。

本文介绍了如何在PostgreSQL中使用pgvector扩展进行向量相似性搜索。pgvector支持将向量嵌入与关系数据存储，提供多种距离度量和索引类型。通过示例，展示了创建表、插入数据和执行相似性查询的方法，并结合SQL过滤器提升搜索效果。选择合适的嵌入模型和距离度量至关重要。

Instacart的搜索系统经历了多次演变，最初使用Elasticsearch，但因数据频繁变动导致性能问题，最终转向Postgres并整合语义搜索。通过pgvector，Instacart实现了更高效的搜索，减少了写入负担，提高了搜索速度和结果相关性，显著提升了用户体验和收入。

pgvector是一个开源的PostgreSQL扩展，支持存储和搜索向量嵌入，适用于语义搜索和推荐功能。它简化了相似性搜索，能够处理数百万到数千万个向量，支持余弦相似度，并可与Postgres全文搜索结合使用。对于高性能需求，pgvectorscale可扩展pgvector的能力。

许多AI项目失败并非因为模型本身，而是由于现实环境的限制。成功的AI系统需要与现实保持紧密联系，使用PostgreSQL和pgvector存储嵌入，并通过SQL确保数据的有效性和可用性。书中提供实用模式，帮助开发者在生产中构建智能应用，避免后期添加定价和库存等功能。

pgvector是一个开源Postgres扩展，支持在关系数据中存储和查询向量嵌入。最近的改进，如HNSW索引，提升了查询性能。成功使用pgvector需要基准测试、调整索引参数，并结合SQL操作来优化性能，特别关注冷缓存性能和数据分区策略。

大多数建议是先使用pgvector，后续再升级。但分析表明，pgvector适合处理小于100万向量的数据集，并需满足六个条件。超出这些条件后，应用可能会遇到查询缓慢和过滤失效等问题。专用向量存储在过滤、混合搜索和扩展性方面更具优势。

本文介绍了DWS通过集成pgvector插件，实现高维向量数据检索，解决传统数据库在处理非结构化数据时的局限，提升商品推荐系统的语义搜索与相似度计算能力。