介绍
AI 应用程序需要快速可靠的矢量搜索来为语义检索、建议引擎和 RAG 管道等功能提供支持。 优化不佳的数据库会造成延迟瓶颈，从而降低用户体验并限制吞吐量。 本模块指导你优化 Azure Database for PostgreSQL 和 pgvector，以实现 AI 解决方案需求的性能。
假设你是为电子商务平台构建产品推荐引擎的开发人员。 系统使用矢量嵌入根据用户行为、产品说明和视觉特征查找类似产品。 当用户浏览网站时，建议必须显示在 100 毫秒以下，以避免中断购物体验。 在闪购和假日高峰期，该平台处理数以万计的并发用户请求个性化推荐。
初始部署在包含 50,000 个产品的目录时表现良好，但随着库存增长到 200 万项以及促销期间流量高峰，查询延迟从 30 毫秒攀升到超过 1 秒。 当用户放弃加载速度缓慢的页面时，转换率会下降。 需要优化数据库，选择正确的向量索引，并缩放基础结构以提供快速建议，而无需在计算资源上超支。
AI 应用程序中常见的难题包括：随着数据增长，矢量搜索的性能会下降；并发用户增加会使连接承受压力；准确性和速度之间的权衡变得至关重要。 在本模块中学习的技术适用于构建建议系统、语义搜索、RAG 管道或其他矢量驱动的功能。
完成本模块后，你将能够：
- 优化 PostgreSQL 和 pgvector 配置参数，以优化 AI 工作负荷的查询延迟和内存使用情况
- 根据数据集大小、查询模式和准确性要求选择和配置适当的矢量索引类型
- 设计优化矢量存储和元数据筛选性能的数据布局
- 缩放 Azure Database for PostgreSQL，以处理大批量矢量工作负荷
- 为 AI 应用程序实现连接池和会话管理策略