> ## Documentation Index
> Fetch the complete documentation index at: https://docs.insforge.dev/llms.txt
> Use this file to discover all available pages before exploring further.

# pgvector

> Almacenar incrustaciones y ejecutar búsqueda de similitud dentro de Postgres

[pgvector](https://github.com/pgvector/pgvector) se envía en cada proyecto de InsForge. Úselo para búsqueda semántica, recomendaciones y [RAG](https://www.pinecone.io/learn/retrieval-augmented-generation/).

## 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).

```sql theme={null}
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.

```typescript theme={null}
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.

```sql theme={null}
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:

```sql theme={null}
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:

```sql theme={null}
create index on documents using hnsw (embedding vector_cosine_ops);
```

## Más recursos

* [pgvector on GitHub](https://github.com/pgvector/pgvector) para operadores e índices.
* [OpenRouter embeddings](https://openrouter.ai/docs/features/multimodal/embeddings) para el catálogo de modelos.
* [Model Gateway overview](/core-concepts/ai/overview) para el lado de InsForge de OpenRouter.