本文說明如何使用儲存的嵌入生成索引，以及查詢嵌入。如要進一步瞭解如何儲存嵌入內容，請參閱「儲存向量嵌入內容」。
您可以使用 AlloyDB 建立 ScaNN、IVF、IVFFlat 和 HNSW 索引。
事前準備
開始建立索引前，請先完成下列必要條件。
已安裝以
pgvector為基礎，由 Google 為 AlloyDB 擴充的vector擴充功能版本0.5.0以上版本。CREATE EXTENSION IF NOT EXISTS vector;如要產生
ScaNN索引，請安裝alloydb_scann擴充功能，以及vector擴充功能。CREATE EXTENSION IF NOT EXISTS alloydb_scann;
建立索引
您可以為資料庫中的資料表建立下列其中一種索引類型。
建立 ScaNN 索引
AlloyDB alloydb_scann：Google 開發的 PostgreSQL 擴充功能，可實作由 ScaNN 演算法支援的高效率最鄰近索引。
ScaNN 索引是樹狀結構的量化索引，用於近似最近鄰搜尋。與 HNSW 相比，這項功能可縮短索引建構時間，並減少記憶體用量。此外，與 HNSW 相比，這項服務可根據工作負載提供更快的 QPS。
兩層樹狀結構 ScaNN 索引
如要使用 ScaNN 演算法，將兩層樹狀結構索引套用至含有儲存向量嵌入的資料欄，請執行下列 DDL 查詢：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE);
更改下列內容：
INDEX_NAME：要建立的索引名稱，例如my-scann-index。索引名稱會在資料庫中共用。請確保資料庫中每個資料表的索引名稱都不重複。TABLE：要新增索引的資料表。EMBEDDING_COLUMN：儲存vector資料的資料欄。DISTANCE_FUNCTION：要用於這個索引的距離函式。選擇下列其中一個選項：L2 距離：
l2點積：
dot_product餘弦距離：
cosine
NUM_LEAVES_VALUE：要套用至這個索引的分區數量。請設為 1 到 1048576 之間的任何值。如要進一步瞭解如何決定這個值，請參閱「調整ScaNN索引」。
三層樹狀結構 ScaNN 索引
如要使用 ScaNN 演算法，為含有已儲存向量嵌入的資料欄建立三層樹狀結構索引，請執行下列 DDL 查詢：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);
更改下列內容：
MAX_NUM_LEVELS：K 平均值叢集樹狀結構的層級數量上限。設為1(預設值) 可進行兩層樹狀結構量化，設為2則可進行三層樹狀結構量化。
建立索引後，您可以按照「使用指定文字進行最鄰近查詢」一文中的操作說明，執行最鄰近搜尋查詢，藉此使用索引。
請務必設定索引參數，在 QPS 和召回率之間取得適當平衡。如要進一步瞭解如何調整 ScaNN 索引，請參閱「調整 ScaNN 索引」。
如要在使用 real[] 資料類型 (而非 vector) 的嵌入資料欄上建立這個索引，請將該資料欄轉換為 vector 資料類型：
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);
請將 DIMENSIONS 改成嵌入資料欄的維度寬度。如要進一步瞭解如何找出維度，請參閱向量函式中的 vector_dims 函式。
如要查看索引建立進度，請使用 pg_stat_progress_create_index 檢視畫面：
SELECT * FROM pg_stat_progress_create_index;
「phase」欄會顯示索引建立作業的目前狀態，而「building index: tree training」階段會在索引建立完成後消失。
如要調整索引，以達到目標召回率和每秒查詢次數的平衡，請參閱「調整 ScaNN 索引」。
分析已建立索引的資料表
建立 ScaNN 索引後，您必須執行 ANALYZE 指令，更新資料的統計資料。
ANALYZE TABLE;
執行查詢
將嵌入內容儲存並編入資料庫索引後，即可開始使用 pgvector 查詢功能。您無法使用 alloydb_scann 擴充功能執行大量搜尋查詢。
如要找出嵌入向量最鄰近的語意鄰項，可以執行下列查詢範例，並設定您在建立索引時使用的相同距離函式。
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY ['EMBEDDING']
LIMIT ROW_COUNT
更改下列內容：
TABLE：包含要與文字比較的嵌入內容的資料表。INDEX_NAME：要使用的索引名稱，例如my-scann-index。EMBEDDING_COLUMN：包含儲存的嵌入內容的資料欄。DISTANCE_FUNCTION_QUERY：要用於這項查詢的距離函式。根據建立索引時使用的距離函式，選擇下列其中一項：L2 距離：
<->內積：
<#>餘弦距離：
<=>
EMBEDDING：您要找出最接近的儲存語意鄰項的嵌入向量。ROW_COUNT：要傳回的列數。如只要取得最佳單一比對結果，請指定
1。
如要查看其他查詢範例，請參閱「查詢」。
您也可以使用 embedding() 函式將文字翻譯成向量。您將向量套用至其中一個pgvector最鄰近運算子 (適用於 L2 距離)，找出具有語意最相似嵌入項目的資料庫列。<->
由於 embedding() 會傳回 real 陣列，您必須明確將 embedding() 呼叫轉換為 vector，才能搭配 pgvector 運算子使用這些值。
CREATE EXTENSION IF NOT EXISTS google_ml_integration;
CREATE EXTENSION IF NOT EXISTS vector;
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN::vector
<-> embedding('MODEL_IDVERSION_TAG', 'TEXT')
LIMIT ROW_COUNT
更改下列內容：
MODEL_ID：要查詢的模型 ID。如果您使用 Vertex AI Model Garden，請指定
text-embedding-005做為模型 ID。AlloyDB 可使用這些雲端模型進行文字嵌入。詳情請參閱「文字嵌入」。選用：
VERSION_TAG：要查詢的模型版本標記。在標記開頭加上@。如果您使用 Vertex AI
text-embedding英文模型，請指定其中一個版本標記，例如「text-embedding-005」，如「模型版本」一文所列。Google 強烈建議您一律指定版本標記。如果您未指定版本標記，AlloyDB 一律會使用最新模型版本，這可能會導致非預期的結果。
TEXT：要翻譯成向量嵌入的文字。