本页介绍了如何使用存储的嵌入生成索引，以及如何使用 AlloyDB for PostgreSQL 通过 ScaNN、IVF、IVFFlat 和 HNSW 索引查询嵌入。如需详细了解如何存储嵌入，请参阅存储向量嵌入。
准备工作
在开始创建索引之前，您必须满足以下前提条件。
安装了由 Google 为 AlloyDB 扩展的基于
pgvector的vector扩展版本0.5.0或更高版本。CREATE EXTENSION IF NOT EXISTS vector;如需生成
ScaNN索引，请安装vector扩展程序以及alloydb_scann扩展程序。CREATE EXTENSION IF NOT EXISTS alloydb_scann;
创建索引
您可以为数据库中的表创建以下索引类型之一。
创建 ScaNN 索引
AlloyDB alloydb_scann，由 Google 开发的 PostgreSQL 扩展程序，可实现由 ScaNN 算法提供支持的高效最近邻索引。
ScaNN 索引是一种基于树的量化索引，用于近似最近邻搜索。与 HNSW 相比，它可缩短索引构建时间并减小内存占用空间。此外，与 HNSW 相比，它可根据工作负载提供更快的 QPS。
两级树 ScaNN 索引
如需使用 ScaNN 算法将两级树索引应用于包含存储的向量嵌入的列，请运行以下 DDL 查询：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE);
替换以下内容：
INDEX_NAME：您要创建的索引的名称，例如my-scann-index。索引名称会在数据库中共享。确保每个索引名称在数据库中对应于每个表的唯一名称。TABLE：要向其中添加索引的表。EMBEDDING_COLUMN：用于存储vector数据的列。DISTANCE_FUNCTION：要与此索引搭配使用的距离函数。请按以下方式之一操作：L2 距离：
l2点积：
dot_product余弦距离：
cosine
NUM_LEAVES_VALUE：要应用于此索引的分区数量。设置为 1 到 1048576 之间的任意值。如需详细了解如何确定此值，请参阅调整ScaNN索引。
三级树 ScaNN 索引
如需使用 ScaNN 算法为包含存储的向量嵌入的列创建三级树索引，请运行以下 DDL 查询：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);
替换以下内容：
MAX_NUM_LEVELS：K 均值聚类树的层数上限。对于基于树的两级量化，请将其设置为1（默认值）；对于基于树的三级量化，请将其设置为2。
创建索引后，您可以按照使用给定文本执行最近邻查询中的说明，运行利用该索引的最近邻搜索查询。
必须设置索引参数，以便在 QPS 和召回率之间取得适当的平衡。如需详细了解如何调整 ScaNN 索引，请参阅调整 ScaNN 索引。
如需在使用 real[] 数据类型（而非 vector）的嵌入列上创建此索引，请将该列转换为 vector 数据类型：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (CAST(EMBEDDING_COLUMN AS vector(DIMENSIONS)) DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);
将 DIMENSIONS 替换为嵌入列的维度宽度。如需详细了解如何查找维度，请参阅矢量函数中的 vector_dims 函数。
如需查看索引编制进度，请使用 pg_stat_progress_create_index 视图：
SELECT * FROM pg_stat_progress_create_index;
phase 列会显示索引创建的当前状态，索引创建后，building index: tree training 阶段会消失。
如需针对目标召回率和 QPS 平衡调整索引，请参阅调整 ScaNN 索引。
运行查询
将嵌入存储在数据库中并为其编制索引后，您就可以开始使用 pgvector 查询功能进行查询了。您无法使用 alloydb_scann 扩展程序运行批量搜索查询。
如需查找嵌入向量的最近邻语义，您可以运行以下示例查询，并在其中设置与在创建索引期间使用的距离函数相同的距离函数。
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY ['EMBEDDING']
LIMIT ROW_COUNT
替换以下内容：
TABLE：包含要与文本进行比较的嵌入的表。INDEX_NAME：您要使用的索引的名称，例如my-scann-index。EMBEDDING_COLUMN：包含存储的嵌入的列。DISTANCE_FUNCTION_QUERY：要与此查询搭配使用的距离函数。根据创建索引时使用的距离函数，选择以下任一选项：L2 距离：
<->内积：
<#>余弦距离：
<=>
EMBEDDING：您要查找其最近的已存语义邻居的嵌入向量。ROW_COUNT：要返回的行数。如果您只希望返回单个最佳匹配项，请指定
1。
如需详细了解其他查询示例，请参阅查询。
您还可以使用 embedding() 函数将文本转换为向量。您可以将该向量应用于 pgvector 中的某个最近邻运算符（<-> 表示 L2 距离），以查找语义上最相似的嵌入数据库行。
由于 embedding() 会返回 real 数组，因此您必须将 embedding() 调用显式转换为 vector，才能将这些值与 pgvector 运算符搭配使用。
CREATE EXTENSION IF NOT EXISTS google_ml_integration VERSION '1.2';
CREATE EXTENSION IF NOT EXISTS vector;
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN::vector
<-> embedding('MODEL_IDVERSION_TAG', 'TEXT')
LIMIT ROW_COUNT
替换以下内容：
MODEL_ID：要查询的模型的 ID。如果您使用的是 Vertex AI Model Garden，请将
text-embedding-005指定为模型 ID。这些是 AlloyDB 可用于文本嵌入的云端模型。如需了解详情，请参阅文本嵌入。可选：
VERSION_TAG：要查询的模型的版本标记。在该标记前面加上@。如果您将
text-embedding-005英语模型之一与 Vertex AI 搭配使用，请指定 模型版本中列出的某个版本标记，例如text-embedding-005。Google 强烈建议您始终指定版本标记。如果您未指定版本标记，AlloyDB 将始终使用最新的模型版本，这可能会导致意外结果。
TEXT：要转换为向量嵌入的文本。