PostgreSQL 向量数据和普通数据，到底有什么不一样？

PostgreSQL 中向量数据的底层特性，与常规数据类型存在本质差异。让我们通过这些差异，来了解下向量检索的核心逻辑。

目录

初探 pgvector：一个反直觉的性能发现

当我们深入 pgvector 的 HNSW 搜索逻辑时，会发现每筛选一个候选向量节点，代码就会执行 3 次内存分配：1 次分配候选结构体、2 次分配配对堆节点。

放在常规 B 树索引场景里，这种高频内存分配会让性能慢到离谱；但在 HNSW 向量搜索中，这点开销几乎可以忽略不计。

第一条核心结论：向量搜索的计算成本非常高。 高维距离计算本身的运算量远大于内存分配这类常规操作，这也是向量检索和普通数据查询最直观的性能差异。

向量到底是什么？天生的 “大块头” 数据

很多人听过向量，但未必清楚它的物理形态：向量本质是一组浮点数组成的数组，数组中的每个数值就是一个 “维度”。维度的数量和含义完全由业务场景决定：

• 例如 OpenAI 的 text-embedding-ada-002 模型，输出为 1536 维向量
• 单条 1536 维的向量，数据量大约是 6KB

第二条核心结论：向量数据的体积极其庞大。 PostgreSQL 默认数据页大小为 8KB，单条向量就几乎占满一整页。这直接限制了 pgvector 可支持的最大维度数；同时包含向量的行数据极易触发 TOAST 机制，被存储到行外空间。

同样是 “大体积数据类型”，向量和 JSON、二进制 Blob 有本质区别：

• JSON 数据：GIN 索引会把文档拆分为键值对分别索引，但这套逻辑对向量完全失效，向量搜索必须所有维度联合计算，无法拆分处理
• 二进制 Blob、长文本：这类数据通常仅做存储与读取，不需要复杂的索引检索

向量搜索 = 最近邻搜索，但维度天差地别

向量搜索的本质是最近邻搜索：输入一个查询向量，在数据库中找出与它距离最近、相似度最高的一批向量。

对应到 SQL 语法非常简洁：

SELECT id
FROM items a
ORDER BY embedding <=> $1
LIMIT 10;

其中 <=> 是余弦距离运算符，$1 为传入的查询向量。

实际检索效果示例

在维基百科数据集里，以 “抛物面反射器” 的向量为基准做检索，返回的前 5 条结果高度相关：

很多人会问：这不就是 PostGIS 的空间最近邻搜索吗？ 两者逻辑相似，但维度量级完全不同：

• 地理空间数据仅 2~3 个维度
• 向量数据通常为 100~5000 个维度

传统 B 树、kd 树、分区等索引方法，在高维空间中会彻底失效，这就是计算机领域著名的维度灾难（Curse of Dimensionality）。

维度灾难：为什么向量搜索只能是 “近似” 的

人类的空间直觉建立在三维世界，这套认知在高维空间里完全不成立。在数百上千维的空间中，精确最近邻搜索的计算成本会指数级上升，达到工业场景完全不可用的程度。

第三条核心结论：工业级向量搜索都是近似最近邻（ANN）。 所有向量索引的核心设计，都是在召回率（准确率）和查询速度之间做权衡。

从实际效果看，近似搜索的结果与精确结果差异极小。上面的示例中，近似结果的距离值和精确值仅在小数点后第四五位有差别，完全可以满足绝大多数业务场景。

经典痛点：向量搜索的 “过滤难题”

如果在向量搜索时叠加过滤条件，比如：

SELECT … WHERE title like 'A%' ORDER BY distance LIMIT 10;

会出现一个反直觉的现象：

• 走向量索引：仅返回 1 条符合条件的结果
• 走全表扫描：能返回 10 条符合条件的结果

这是因为向量索引是按距离排序的候选集，过滤条件会大幅削减有效候选，导致索引检索结果不足，这也是当前向量数据库领域的核心优化方向之一。

主流向量算法与 HNSW 的内存特性

目前业界向量搜索算法主要分为三大类：

1. 基于聚类：代表为 IVF-Flat、IVF-PQ 等，先将向量聚合成多个簇，搜索时仅检索最近的若干簇
2. 基于图：代表为 HNSW、DiskANN 等，将向量构建为多层导航图，通过贪心搜索快速定位最近邻
3. 其他算法：例如局部敏感哈希（LSH）等

其中 pgvector 默认支持的 HNSW 是当前最主流的算法，但它有一个非常鲜明的特性： HNSW 索引构建是纯内存算法。

构建索引时会随机访问整个索引结构，一旦索引大小超出 maintenance_work_mem，构建性能会急剧下降，PostgreSQL 会给出明确提示：

NOTICE:  hnsw graph no longer fits into maintenance_work_mem after 9216 tuples
HINT:  Increase maintenance_work_mem to speed up builds.

不仅是构建阶段，查询时 HNSW 也会随机访问上百个数据页，对内存缓存的压力远高于普通 B 树索引。

pgvector 重磅优化：三种全新向量类型

针对向量体积大、内存占用高的痛点，pgvector 0.7.0 版本推出了三种更轻量的向量数据类型：

• vector：原生类型，32 位单精度浮点数
• halfvec：新增，16 位半精度浮点数，体积直接减半
• bit vector：新增，每个维度仅用 1 bit 存储，极致压缩
• sparsevec：新增，仅存储非零维度，适配稀疏向量场景

更小的数据类型带来三项直接收益：索引体积缩减、内存占用降低、缓存命中率提升。

halfvec 实测效果

索引构建速度

• 原生 vector：6 分 42 秒
• halfvec：5 分 15 秒 构建耗时缩短约 22%

表数据体积

• 原生 vector 表：8319 MB
• halfvec 表：4368 MB 存储空间减少接近 50%

总结：四个核心结论

1. 向量搜索计算成本极高：运算开销与常规 B 树索引不在同一量级
2. 向量数据天然大体积：单条向量接近 8KB 页大小，极易触发行外存储
3. 向量搜索本质是近似检索：维度灾难下精确搜索不可行，需平衡召回率与速度
4. 向量索引极度依赖内存：尤其是 HNSW 算法，内存不足会导致性能断崖式下跌

如果你正在基于 PostgreSQL 构建向量检索能力，非常推荐升级到 pgvector 新版本，通过半精度、稀疏向量等特性大幅降低资源开销。