介绍
AI 应用程序需要高效存储和检索矢量嵌入，以支持语义搜索、建议和检索扩充生成。 本模块指导你使用 pgvector 扩展在 Azure Database for PostgreSQL 中实现矢量搜索功能，从而生成从数据中查找语义上相似的内容的 AI 解决方案。
假设你是为法律服务公司构建知识库搜索系统的开发人员。 该系统需要帮助律师根据查询的含义而不是确切的关键字匹配找到相关的案件文件、合同和法律先例。 当律师搜索“企业合并中违反信托职责”时，系统必须返回讨论类似概念的文件，即使它们使用不同的术语也是如此。
你的团队选择了 Azure Database for PostgreSQL，因为该公司已经在那里存储了文档元数据和客户端信息。 你希望直接将矢量搜索功能添加到现有的 PostgreSQL 实例，而不是引入单独的向量数据库和管理数据同步。 系统必须处理数十万个法律文档，支持具有次秒响应时间的实时查询，并在新文档每天到达时更新嵌入内容。
你需要启用 pgvector 扩展，设计一个架构，该架构与文档元数据一起存储嵌入内容，创建索引，以平衡搜索速度与准确性，并生成查询，以检索 RAG 驱动的法律研究助手最相关的文档。
完成本模块后，你将能够：
- 使用 Azure Database for PostgreSQL 中的 pgvector 扩展存储和查询向量嵌入
- 使用不同的距离指标和运算符执行矢量相似性搜索
- 创建和管理矢量索引以优化搜索性能
- 实现嵌入更新和刷新策略，以适应不断发展的数据集
- 生成将 PostgreSQL 矢量搜索与 RAG 管道集成的检索模式
注释
我们认识到不同的人喜欢以不同的方式学习。 可以选择以基于视频的格式完成此模块，也可以以文本和图像的形式读取内容。 文本包含比视频更详细的内容，因此在某些情况下，你可能希望将其称为视频演示文稿的补充材料。