概要
在本模块中，你学习了如何针对 AI 工作负载优化 Azure Database for PostgreSQL 和 pgvector。 你浏览了影响矢量查询性能的 PostgreSQL 配置参数，包括内存设置，shared_bufferswork_mem以及针对 SSD 存储优化的查询规划器设置。 你了解了 IVFFlat 和 HNSW 矢量索引之间的差异，了解每个索引何时都适合基于数据集大小、准确性要求、内存约束和生成时间容错。 你配置了索引参数（例如lists、probes、m、ef_construction 和ef_search）以在查询速度与召回准确性之间取得平衡。
你了解了数据布局决策如何影响筛选的矢量搜索性能。 具有 B 树索引的结构化列为常见谓词提供高效的筛选，而具有 GIN 索引的 JSONB 为动态属性提供了灵活性。 你已了解如何使用允许 PostgreSQL 优化执行计划的查询模式，有效地将矢量相似性与元数据筛选器相结合。 对于大型数据集，你研究了表分区策略，这些策略可提高查询性能和维护操作。
你还了解了 Azure 上大容量矢量工作负荷的缩放策略。 使用内存优化计算层进行垂直缩放可使索引缓存在内存中。 只读副本用于读取密集型工作负载的查询分发。 使用 Azure Redis 缓存的应用程序级缓存可减少频繁请求的数据的数据库负载。 最后，你实现了连接优化技术，包括事务模式中的 PgBouncer 配置和应用程序级连接池，以最大程度地提高吞吐量，同时保持连接限制。