pgvector - InsForge Docs

pgvector se envía en cada proyecto de InsForge. Úselo para búsqueda semántica, recomendaciones y RAG.

Indicar su agente

Agregue pgvector a mi proyecto. Cree una tabla documents con content y una columna embedding de 1536 dimensiones, más un índice coseno HNSW. Cuando inserte contenido, incrústalo con text-embedding-3-small de OpenRouter desde una ruta del lado del servidor. Exponga un RPC match_documents(query, count, threshold) que devuelva las mejores coincidencias de similitud.

Conceptos

Un vector es una lista de números que representan un elemento. Dos vectores son similares si se encuentran cerca en el espacio vectorial. Almacene el vector junto a su fila, incruste la consulta del usuario de la misma manera, y pgvector clasifica por distancia.

Uso

Habilite la extensión y cree una columna de vector. Haga que la dimensión coincida con su modelo (text-embedding-3-small es 1536).

create extension if not exists vector;

create table documents (
  id bigserial primary key,
  content text,
  embedding vector(1536)
);

Genere una incrustación del lado del servidor e insértela.

import OpenAI from 'openai';
import { createClient } from '@insforge/sdk';

const openai = new OpenAI({
  baseURL: 'https://openrouter.ai/api/v1',
  apiKey: process.env.OPENROUTER_API_KEY,
});
const insforge = createClient({ projectId: process.env.INSFORGE_PROJECT_ID });

const { data } = await openai.embeddings.create({
  model: 'openai/text-embedding-3-small',
  input: 'hello world',
});

await insforge.database.from('documents').insert({
  content: 'hello world',
  embedding: data[0].embedding,
});

Consulte por distancia coseno (<=>). L2 (<->) e producto interno (<#>) también están disponibles.

select id, content
from documents
order by embedding <=> $1
limit 5;

Casos de uso específicos

Envuelva la búsqueda en una función de Postgres y llámela a través de rpc() para mantener las matemáticas del lado del servidor:

create or replace function match_documents(
  query_embedding vector(1536),
  match_count int default 5,
  match_threshold float default 0
)
returns table (id bigint, content text, similarity float)
language sql stable
as $$
  select id, content, 1 - (embedding <=> query_embedding) as similarity
  from documents
  where 1 - (embedding <=> query_embedding) > match_threshold
  order by embedding <=> query_embedding
  limit match_count;
$$;

Pasados aproximadamente 10k filas, agregue un índice HNSW:

create index on documents using hnsw (embedding vector_cosine_ops);

Más recursos

pgvector on GitHub para operadores e índices.
OpenRouter embeddings para el catálogo de modelos.
Model Gateway overview para el lado de InsForge de OpenRouter.

​Indicar su agente

​Conceptos

​Uso

​Casos de uso específicos

​Más recursos

Indicar su agente

Conceptos

Uso

Casos de uso específicos

Más recursos