前言
向量数据库在 AI 与大模型 (LLM) 领域中是个至关重要的组件，主要承担'记忆与检索'的角色，其解决了大模型不能长期存储海量知识、推理效率受限的问题，无论是 RAG、推荐系统还是智能搜索，向量数据库都提供了'相似度搜索'的能力，让模型能找到相关上下文，而不仅仅依赖参数记忆。这其中，pgvector 则是个比较独特的存在，选择站在 PostgreSQL 的基础上，高屋建瓴，而不是另起炉灶。随着版本的不断革新，pgvector 正在从一个实验性扩展，成长为 PostgreSQL 生态中'通用的向量搜索引擎'，成为 LLM/RAG/AI 应用的基础组件。
Roadmap
从 pgvector 的 roadmap 中，不难看出，pgvector 在规模化落地场景下，不断在尝试与优化，pgvector 正在从'能用'走向'高效、可扩展、适合大规模 AI 应用'的阶段。
v0.4.x：
改进 IVFFlat 计划代价估算：优化了执行计划的成本模型，让查询优化器更合理地选择是否使用 IVFFlat 索引。增加向量维度上限：支持更高维度的向量存储，无论在表还是索引中，都能容纳更大维度的 embedding。
v0.5.x：
新增 HNSW 索引：引入 Hierarchical Navigable Small World 图索引，大幅提升高维向量相似度搜索性能。距离函数性能优化：加快余弦、内积等相似度度量的计算速度。并行 IVFFlat 构建：支持并行化创建 IVFFlat 索引，提高大规模索引构建效率。
v0.6.x：
并行 HNSW 构建：在 HNSW 索引上引入并行化构建机制，适合海量数据集场景。内存构建优化：提升了索引构建时的内存使用效率，加快索引建立速度并减少资源消耗。
v0.7.x：
halfvec 类型：支持 2 字节浮点 (半精度 float16)，节省存储空间并加快计算。bit(n) 索引支持：支持对 bit 向量进行索引。sparsevec 类型：稀疏向量支持，维度上限可达 10 亿，适合大规模稀疏 embedding，应用范围越来越广，说明 pgvector 正在从'文本 embedding'走向**多模态应用 (文本、图像、音频、二进制特征)**量化 (Quantization)：支持 scalar/binary 量化，进一步压缩存储和加速检索。新距离度量：支持 Jaccard / Hamming 距离。显式 SIMD：利用 CPU SIMD 指令集进行加速，显式 SIMD 则说明团队在尝试利用底层硬件优化计算，未来版本会更注重 高维、大规模 embedding 的低成本存储和高效计算。
v0.8.x：
Iterative Index Scan：提升带过滤条件查询时的召回率。HNSW 优化：改进索引构建与查询性能。云平台支持：如 Aurora、Cloud SQL 等主流云服务都已集成。
迭代扫描
0.8.0 中的迭代扫描，是我十分喜欢的特性，在 ANN 场景中，我们往往不会在全表里暴力搜索，而是要加上过滤条件，再在符合条件的数据里做向量相似度计算，但是这样就会遇到典型的 pre-filter 和 post-filter 的问题：
Pre-filtering：先应用业务过滤条件，然后在过滤后的子集里做向量相似度检索，检索空间小，结果更符合业务语义；但是只能用暴力搜索，因为过滤后的子集不再能直接利用 ANN 索引 (IVFFlat/HNSW)；缺乏可扩展性，大规模数据下速度慢；Post-filtering：先在全量数据里使用 ANN 索引做向量近似搜索，得到候选集合，再对结果应用业务过滤条件。好处是能用上 ANN 索引，查询速度快，适合大规模数据；但可能会导致过滤后结果不足。
