Ajouter la récupération vectorielle native Postgres aux workflows d'agents et de RAG avec pgvector
Stockez les embeddings à côté des données applicatives dans Postgres, créez des index vectoriels et interrogez les plus proches voisins pour la recherche sémantique, le RAG, les recommandations ou la récupération de mémoire d'agent.
Prérequis
Postgres 13+, extension pgvector, accès SQL à la base de données cible, embeddings provenant de l'agent ou du pipeline RAG, et code applicatif capable d'interroger Postgres
Installation
Utilisez le chemin d'installation ou de configuration en amont correspondant à votre environnement :
- git clone --branch v0.8.2 https://github.com/pgvector/pgvector.git
- make
- make install # peut nécessiter sudo
- Puis réexécutez les instructions d'installation (lancez make clean avant make si nécessaire). Si sudo est nécessaire pour make install, utilisez :
Exigences et précautions issues de la source amont :
- Vous pouvez également l'installer avec Docker, Homebrew, PGXN, APT, Yum, pkg, APK, ou conda-forge, et il est préinstallé avec [Postgres.app](#...
- Vous pouvez aussi l'installer avec Docker ou conda-forge.
- Ou chargez les vecteurs en masse en utilisant COPY (exemple)
Notes de base ou de démarrage :
-
Compilez et installez l'extension (prend en charge Postgres 13+)
-
cd /tmp
-
cd pgvector
-
Source : https://github.com/pgvector/pgvector
-
Extrait de la documentation amont : https://raw.githubusercontent.com/pgvector/pgvector/HEAD/README.md