Merhaba! Ben

Federico Calò

Sviluppatore Software | Divulgatore Tecnico

Creo applicazioni web moderne e strumenti digitali personalizzati per aiutare le attività a crescere attraverso l'innovazione tecnologica. La mia passione è unire informatica ed economia per generare valore reale.

İletişime Geç

Hakkımda

La mia passione per l'informatica è nata tra i banchi dell'Istituto Tecnico Commerciale di Maglie, dove ho scoperto il potere della programmazione e il fascino di creare soluzioni digitali. Fin da subito, ho capito che l'informatica non era solo codice, ma uno strumento straordinario per trasformare idee in realtà.

Durante gli studi superiori in Sistemi Informativi Aziendali, ho iniziato a intrecciare informatica ed economia, comprendendo come la tecnologia possa essere il motore della crescita per qualsiasi attività. Questa visione mi ha accompagnato all'Università degli Studi di Bari, dove ho conseguito la Laurea in Informatica, approfondendo le mie competenze tecniche e la mia passione per lo sviluppo software.

Oggi metto questa esperienza al servizio di imprese, professionisti e startup, creando soluzioni digitali su misura che automatizzano processi, ottimizzano risorse e aprono nuove opportunità di business. Perché la vera innovazione inizia quando la tecnologia incontra le esigenze reali delle persone.

Yeteneklerim

Analisi Dati & Modelli Previsionali

Trasformo i dati in insights strategici con analisi approfondite e modelli predittivi per decisioni informate

Süreç Otomasyonu

Creo strumenti personalizzati che automatizzano operazioni ripetitive e liberano tempo per attività a valore aggiunto

Özel Sistemler

Sviluppo sistemi software su misura, dalle integrazioni tra piattaforme alle dashboard personalizzate

const federico = {
  nome: "Federico Calò",
  ruolo: "Sviluppatore Software",
  città: "Bari, Italia",
  missione: "Aiutare attraverso l'informatica",
  passioni: [
    "Codice Pulito",
    "Innovazione",
    "Crescita Continua"
  ]
};

Misyonum

Credo fermamente che l'informatica sia lo strumento più potente per trasformare le idee in realtà e migliorare la vita delle persone.

Teknolojiyi Demokratikleştirmek

La mia missione è rendere l'informatica accessibile a tutti: dalle piccole imprese locali alle startup innovative, fino ai professionisti che vogliono digitalizzare la propria attività. Ogni realtà merita di sfruttare le potenzialità del digitale.

BT ve İş Dünyasını Birleştirmek

Non è solo questione di scrivere codice: è capire come la tecnologia possa generare valore reale. Intrecciando competenze informatiche e visione economica, aiuto le attività a crescere, ottimizzare processi e raggiungere nuovi traguardi di efficienza e redditività.

Özel Çözümler Oluşturmak

Ogni attività è unica, e così devono esserlo le soluzioni. Sviluppo strumenti personalizzati che rispondono alle esigenze specifiche di ciascun cliente, automatizzando processi ripetitivi e liberando tempo per ciò che conta davvero: far crescere il business.

İşletmenizi Teknolojiyle Dönüştürün

Che tu gestisca un negozio, uno studio professionale o un'azienda, posso aiutarti a sfruttare le potenzialità dell'informatica per lavorare meglio, più velocemente e in modo più intelligente.

Konuşalım →

Unisciti alla Community

Entra nella community di sviluppatori dove discutiamo di software, AI, architettura e DevOps. Condividi idee, fai domande e cresci insieme a noi.

Canale

FC Dev Blog

Ricevi notifiche su nuovi articoli, serie complete, tips settimanali e tool in evidenza. Contenuti bilingui IT/EN direttamente nel tuo Telegram.

Nuovi articoli appena pubblicati
Tips e code snippets settimanali
Sondaggi sugli argomenti futuri

Iscriviti al Canale

Gruppo

FC Dev Community

Una community bilingue IT/EN per sviluppatori. Discussioni, Q&A, aiuto reciproco e networking con altri professionisti del settore.

Discussioni su articoli e tecnologie
Help coding e code review
Opportunità di lavoro e collaborazione

Unisciti al Gruppo

Topic di Discussione

Visualizza

Master SQL

RoadMap.sh

Novembre 2024

Visualizza

Oracle Certified Foundations Associate

Oracle

Ottobre 2024

Visualizza

People Leadership Credential

Connect

Settembre 2024

Linguaggi & Tecnologie

Java

Python

JavaScript

Angular

React

TypeScript

SQL

PHP

CSS/SCSS

Node.js

Docker

Git

💼

12/2024 - Presente

Custom Software Engineering Analyst

Accenture

Bari, Puglia, Italia · Ibrida Analisi e sviluppo di sistemi informatici attraverso l'utilizzo di Java e Quarkus in Health and Public Sector. Formazione continua su tecnologie moderne per la creazione di soluzioni software personalizzate ed efficienti e sugli agenti.

💼

06/2022 - 12/2024

Analista software e Back End Developer Associate Consultant

Links Management and Technology SpA

Esperienza nell'analisi di sistemi software as-is e flussi ETL utilizzando PowerCenter. Formazione completata su Spring Boot per lo sviluppo di applicazioni backend moderne e scalabili. Sviluppatore Backend specializzato in Spring Boot, con esperienza in progettazione di database, analisi, sviluppo e testing dei task assegnati.

💼

02/2021 - 10/2021

Programmatore software

Adesso.it (prima era WebScience srl)

Esperienza nell'analisi AS-IS e TO-BE, evoluzioni SEO ed evoluzioni website per migliorare le performance e l'engagement degli utenti.

🎓

2018 - 2025

Laurea in Informatica

Università degli Studi di Bari Aldo Moro

Bachelor's degree in Computer Science, focusing on software engineering, algorithms, and modern development practices.

📚

2013 - 2018

Diploma - Sistemi Informativi Aziendali

Istituto Tecnico Commerciale di Maglie

Technical diploma specializing in Business Information Systems, combining IT knowledge with business management.

İletişime Geç

Aklınızda bir proje mi var? Konuşalım! Formu doldurun, en kısa sürede dönüş yapacağım.

* Campi obbligatori. I tuoi dati saranno utilizzati solo per rispondere alla tua richiesta.

pgvector: PostgreSQL'i Vektör Veritabanına Dönüştürün

2026'da topluluğun mantrası netleşti: "Sadece Postgres'i Kullanın". Snowflake, Crunchy Data'yı 250 milyon dolara satın aldı, Databricks yatırım yaptı Neon'da 1 milyar, Supabase ise 5 milyar değerlemeye ulaştı. PostgreSQL değil ve daha fazlası sadece ilişkisel bir veritabanı: ile pgvektör, bir vektör veritabanı haline gelir eksiksiz, ekleme yapmadan benzerlik arama ve yapay zeka işlemlerini yönetme yeteneğine sahip yığınınıza tek bir hizmet.

Zaten PostgreSQL kullanıyorsanız (ve istatistiksel olarak kullanıyorsanız), Pinecone'a ihtiyacınız yoktur, Vektör aramaya başlamak için Qdrant veya Weaviate. Bu yazıda inşa edeceğiz sıfırdan başlayan eksiksiz bir vektör arama sistemi: pgvector kurulumundan Gömmelerin ve entegrasyonun oluşturulması yoluyla optimize edilmiş dizinlerin oluşturulması LangChain ile.

Seriye Genel Bakış

#	Öğe	Odak
1	Buradasınız - pgvector	Kurulum, operatörler, indeksleme
2	Derinlikteki Gömmeler	Modeller, parçalama, boyutlar
3	PostgreSQL ile RAG	Uçtan uca RAG boru hattı
4	Hibrit Arama	Vektörler + tam metin araması
5	pgvektörünü ölçeklendirme	Bölümleme, parçalama, performans
6	Üretimde pgvektör	İzleme, yedekleme, CI/CD

Ne Öğreneceksiniz

Pgvector nedir ve neden 2026'nın en önemli PostgreSQL uzantısıdır?
Linux, Docker ve yönetilen hizmetlere (Supabase, Neon, AWS RDS) pgvector nasıl kurulur?
Vektör sütunları içeren tablolar nasıl oluşturulur ve yerleştirmeler nasıl eklenir?
Üç mesafe operatörü: Kosinüs, L2 ve İç Çarpım
Etkili benzerlik arama sorguları nasıl çalıştırılır?
Python ile yerleştirmeler nasıl oluşturulur (OpenAI ve Cümle Transformatörleri)
HNSW ve IVFFlat: hangi endeksin seçileceği ve nasıl yapılandırılacağı
Karşılaştırmalı pgvector ve özel vektör veritabanları
Python ile uçtan uca eksiksiz bir örnek
RAG sistemleri için LangChain ile entegrasyon

1. 2026'da "Sadece Postgres Kullanın" Trendi

Yapay zeka dünyası yıllardır özel vektör veritabanlarına yöneliyor: Pinecone, Weaviate, Qdrant, Milvus. Her RAG projesinin yönetilmesi, izlenmesi ve ödenmesi için yeni bir hizmete ihtiyacı varmış gibi görünüyordu. Ancak 2025-2026'da bir şeyler kökten değişti.

Topluluk anladı ki vektörler bir tür veritabanı değildir, ama bir veri türü. PostgreSQL'in JSON'u, dizileri, geometrileri ve metinleri yönetmesi gibi tam metin aramasıyla yüksek boyutlu vektörleri de işleyebilir. Uzantısı bütün bunları mümkün kılıyor buna denir pgvektör.

neden 2026'da "Sadece Postgres Kullanın"


Faktör
Özel Vektör Veritabanı
PostgreSQL + pgvektör


Altyapı
Yönetilecek yeni hizmet
Mevcut veritabanına genişletme

Maliyet
Ayrı plan (Çam Kozalağı ayda 70dan başlıyor)
PostgreSQL maliyetine dahildir

Veri tutarlılığı
Veritabanları arasında senkronizasyon gerekli
Yerel ASİT işlemleri

Sorgular
Tescilli API
Standart SQL + KATIL, NEREDE, GRUPLANDIR

Yedeklemeler
Ayrı sistem
pg_dump her şeyi içerir

Takım
Özel beceriler gerekli
SQL bilen herkes

En önemli avantaj, operasyonel basitlik. Pgvector ile yerleştirmeleriniz ilişkisel verilerinizle aynı tabloda yaşarlar. Vektörlere ve meta verilere katılabilirsiniz, Filtreleme için WHERE yan tümcesini kullanın ve işlem tutarlılığına sahip olun. Harici hizmet yok senkronizasyon, öğrenilecek farklı API'ler yok.

2. pgvektör nedir

pgvektör ve PostgreSQL için destek ekleyen açık kaynaklı bir uzantı yüksek boyutlu vektörler ve benzerlik araması için yerel. Oluşturan Andrew Kane 2021'de AI/ML kullanım senaryoları için kısa sürede en çok indirilen PostgreSQL uzantısı haline geldi.

Pgvector ile şunları yapabilirsiniz:

Vektörleri (gömmeleri) bir tablonun sütununa yerel veri türü olarak kaydetme
Üç farklı mesafe ölçümünü kullanarak benzerlik aramaları gerçekleştirin
Hızlı aramalar için özel dizinler (HNSW ve IVFFlat) oluşturun
Vektör aramayı PostgreSQL'in sunduğu her şeyle birleştirin: JOIN'ler, işlemler, tetikleyiciler, gerçekleştirilmiş görünümler

Sayılarda pgvektör (2026)


Metrik
Değer

Güncel sürüm0.8.0+ (yinelemeli dizin taramalarıyla)
Maks. taşıyıcı boyutu16.000
Dizin türleriHNSW, IVFFlat
Vektör türlerivektör, halfvec, sparsevec, bit
Mesafe metrikleriKosinüs, L2 (Öklid), İç Çarpım
Destekleyen:AWS RDS, Supabase, Neon, Google Cloud SQL, Azure
LisansPostgreSQL Lisansı (açık kaynak)

2025'te piyasaya sürülen 0.8.0 sürümü önemli bir özelliği tanıttı: gli yinelemeli dizin taraması. Bu özellik aşırı filtreleme sorununu çözer, diğer bir deyişle, bir vektör dizini çoğu zaman yeterli sonuç vermediğinde WHERE filtreleri tarafından atılır. Yinelemeli taramalarla pgvector dizini keşfetmeye devam ediyor Filtrelerle eşleşen yeterli sonucu bulana kadar, Filtrelenmiş sorguların kalitesi.

3. pgvector'un kurulumu

pgvector ortamınıza bağlı olarak farklı şekillerde yüklenir. Üç yaklaşıma bakalım ana olanlar: Linux, Docker ve yönetilen hizmetlere yerel kurulum.

3.1 Ubuntu/Debian'a Kurulum

Linux'ta pgvector kurulumu


# Prerequisiti: PostgreSQL 14+ già installato
sudo apt-get update
sudo apt-get install -y postgresql-server-dev-16

# Clona e compila pgvector
git clone --branch v0.8.0 https://github.com/pgvector/pgvector.git
cd pgvector
make
sudo make install

# Abilita l'estensione nel tuo database
sudo -u postgres psql -d il_tuo_database -c "CREATE EXTENSION vector;"

PostgreSQL 17 için değiştirin postgresql-server-dev-16 ile postgresql-server-dev-17. pgvector, sürüm 13'ten beri PostgreSQL'i destekliyor akşam 5'te.

3.2 Docker ile Kurulum

Başlamanın en hızlı yolu. Resmi resim pgvector/pgvector pgvector önceden yüklenmiş PostgreSQL'i içerir.

Pgvector için Docker Compose


# docker-compose.yml
version: '3.8'
services:
  postgres:
    image: pgvector/pgvector:pg17
    environment:
      POSTGRES_DB: vectordb
      POSTGRES_USER: admin
      POSTGRES_PASSWORD: secret_password
    ports:
      - "5432:5432"
    volumes:
      - pgdata:/var/lib/postgresql/data
      - ./init.sql:/docker-entrypoint-initdb.d/init.sql

volumes:
  pgdata:

init.sql - Başlangıçta pgvector'u etkinleştir


-- init.sql: eseguito automaticamente al primo avvio
CREATE EXTENSION IF NOT EXISTS vector;

Tek Docker komutuyla hızlı başlatma


# Avvio rapido senza docker-compose
docker run -d \
  --name pgvector-db \
  -e POSTGRES_DB=vectordb \
  -e POSTGRES_PASSWORD=secret \
  -p 5432:5432 \
  pgvector/pgvector:pg17

# Connetti e abilita pgvector
docker exec -it pgvector-db psql -U postgres -d vectordb \
  -c "CREATE EXTENSION vector;"

3.3 Yönetilen Hizmetler (Sıfır Kurulum)

Altyapıyı yönetmek istemiyorsanız, çeşitli bulut hizmetleri PostgreSQL'i sunar. pgvector zaten etkin. Bu, üretim için ideal seçimdir.

pgvector ile yönetilen hizmetler


Hizmet
pgvektör Dahil
Ücretsiz Plan
Notlar


Süper taban
Önceden yüklenmiş
Evet (500 MB)
Kontrol Paneli kullanıcı arayüzü, otomatik REST API'leri

Neon
Önceden yüklenmiş
Evet (0,5 GB)
Sunucusuz, şube veritabanları

AWS RDS
Etkinleştirilecek
No
Aurora PostgreSQL'de pgvector 0.8.0

Google Bulut SQL
Etkinleştirilecek
No
pgvector 0.8.0 desteği

Azure Veritabanı
Etkinleştirilecek
No
pgvector ile Esnek Sunucu

Supabase'de pgvector'u etkinleştirin


-- Su Supabase, pgvector e già disponibile.
-- Basta abilitare l'estensione:
CREATE EXTENSION IF NOT EXISTS vector;

-- Verifica l'installazione
SELECT extversion FROM pg_extension WHERE extname = 'vector';
-- Risultato: 0.8.0

4. Vektörlerle Bir Tablo Oluşturun

Pgvector kuruluyken tür sütunları ekleyebilirsiniz vector(n) seninkine tablolar, nerede n ve vektörün boyutluluğu. Değeri n Kullandığınız yerleştirme modeline bağlıdır: OpenAI text-embedding-3-small üretir 1536 boyutlu vektör, text-embedding-3-large 3072'ye kadar çıkıyor.

Gömme ile belge tablosunu oluşturma


-- Abilita l'estensione (se non già fatto)
CREATE EXTENSION IF NOT EXISTS vector;

-- Tabella documenti per un sistema RAG
CREATE TABLE documents (
    id BIGSERIAL PRIMARY KEY,
    title VARCHAR(500) NOT NULL,
    content TEXT NOT NULL,
    source VARCHAR(255),
    category VARCHAR(100),
    embedding vector(1536),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT NOW(),
    updated_at TIMESTAMP WITH TIME ZONE DEFAULT NOW()
);

-- Aggiungi un commento alla colonna per documentazione
COMMENT ON COLUMN documents.embedding IS
    'Embedding generato con OpenAI text-embedding-3-small (1536 dim)';

Gömmeli Belgeler Ekle

Ekleme normal bir INSERT gibi çalışır ve vektörü bir değerler dizisi olarak geçirir köşeli parantez içinde virgülle ayrılır.

Tabloya eklemeler ekleme


-- Inserimento singolo
INSERT INTO documents (title, content, source, embedding)
VALUES (
    'Introduzione a PostgreSQL',
    'PostgreSQL e un database relazionale open-source potente e affidabile...',
    'docs/postgres-intro.md',
    '[0.023, -0.045, 0.067, 0.089, -0.012, ...]'  -- vettore a 1536 dimensioni
);

-- Inserimento multiplo (batch)
INSERT INTO documents (title, content, source, category, embedding)
VALUES
    ('Capitolo 1', 'Contenuto cap 1...', 'libro.pdf', 'tutorial',
     '[0.11, -0.22, 0.33, ...]'),
    ('Capitolo 2', 'Contenuto cap 2...', 'libro.pdf', 'tutorial',
     '[0.44, -0.55, 0.66, ...]'),
    ('FAQ', 'Domande frequenti...', 'faq.md', 'supporto',
     '[-0.12, 0.34, -0.56, ...]');

Vektör Boyutu

Sütun tanımında belirtilen boyutluluk (vector(1536)) eklediğiniz yerleştirmelerin boyutuyla tam olarak eşleşmelidir. Bir girişim bir sütuna 768 boyutlu bir vektör eklemek için vector(1536) sebep olacak bir hata. Kullanmayı planladığınız yerleştirme şablonuna göre boyutu seçin.

Popüler Gömme Modellerinin Boyutları


Modeli
Sağlayıcılar
Boyutlar
Maliyet / 1 milyon token


metin yerleştirme-3-küçük
OpenAI
1536
0,02$

metin gömme-3-büyük
OpenAI
3072
0,13$

hepsi-MiniLM-L6-v2
SarılmaYüz (Ücretsiz)
384
Ücretsiz (yerel)

tüm-mpnet-base-v2
SarılmaYüz (Ücretsiz)
768
Ücretsiz (yerel)

yolculuk-3
Yolculuk Yapay Zekası
1024
0,06$

5. Mesafe Operatörleri

pgvector, vektörler arasındaki mesafeyi hesaplamak için üç operatör sunar. Her operatör farklı bir matematiksel metriğe karşılık gelir ve belirli kullanım durumları vardır.

Üç Operatör pgvector


Operatör
Metrik
Formül
Sıralama
Kullanım Örneği


<=>
Kosinüs Mesafesi
1 - kosinüs_benzerliği
ASC (0 = aynı)
Metin, normalleştirilmiş yerleştirmeler

<->
L2 (Öklidyen)
sqrt(toplam((a-b)^2))
ASC (0 = aynı)
Görüntüler, mekansal veriler

<#>
İç Ürün (reddedildi)
-1 * nokta_ürün
ASC (daha negatif = daha benzer)
Normalleştirilmiş vektörler, maksimum performans

Uygulamadaki operatörlerin karşılaştırılması


-- COSINE DISTANCE <=> (il più usato per testo)
-- Risultato: 0 = identici, 2 = opposti
SELECT title, content,
       embedding <=> '[0.1, 0.2, ...]' AS cosine_distance
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]' ASC
LIMIT 5;

-- L2 (EUCLIDEA) <->
-- Risultato: 0 = identici, valori crescenti = più lontani
SELECT title, content,
       embedding <-> '[0.1, 0.2, ...]' AS l2_distance
FROM documents
ORDER BY embedding <-> '[0.1, 0.2, ...]' ASC
LIMIT 5;

-- INNER PRODUCT (NEGATO) <#>
-- Risultato: valori più negativi = più simili
SELECT title, content,
       (embedding <#> '[0.1, 0.2, ...]') * -1 AS similarity
FROM documents
ORDER BY embedding <#> '[0.1, 0.2, ...]' ASC
LIMIT 5;

Hangi Operatörü Seçmelisiniz

Metin ve yapay zeka içeren kullanım durumlarının %90'ı için şunu kullanın: <=> (kosinüs mesafesi). OpenAI'ninki gibi gömülü modeller normalleştirilmiş vektörler üretir; sonuç açısından kosinüs mesafesi ve iç çarpım eşdeğeri. Amerika <-> (L2) yalnızca vektör büyüklüğünün önemli olduğu konumsal veriler veya görüntülerle çalışırken. İç çarpım (<#>) ve kosinüsden biraz daha hızlıdır çünkü normalleştirme, ancak yalnızca zaten normalleştirilmiş vektörlerde.

6. Benzerlik Arama Sorguları

Benzerlik araması pgvector'un kalbidir. Temel sorgu basittir: sonuçları sıralayın sorgu vektöründen uzaklığa göre ve ilk K'yı alın. Ancak üretimde sorgular vektör aramasını SQL filtreleriyle birleştirerek daha karmaşık hale getirir.

6.1 Temel Sorgular

Benzerlik arayışı esastır


-- Trova i 5 documenti più simili a un vettore query
SELECT
    id,
    title,
    content,
    1 - (embedding <=> $1) AS similarity  -- $1 = vettore query
FROM documents
ORDER BY embedding <=> $1
LIMIT 5;

6.2 Filtreli Sorgular (pgvector'un gerçek gücü)

Burada pgvector, özel vektör veritabanlarına kıyasla parlıyor. Aramanızı birleştirebilirsiniz herhangi bir SQL cümleciği içeren vektör: WHERE, JOIN, GROUP BY, alt sorgu.

Gelişmiş filtrelerle benzerlik araması


-- Filtra per categoria e soglia di similarità
SELECT
    id, title, content,
    1 - (embedding <=> $1) AS similarity
FROM documents
WHERE category = 'tutorial'
  AND created_at > NOW() - INTERVAL '30 days'
ORDER BY embedding <=> $1
LIMIT 5;

-- JOIN con altre tabelle: trova documenti simili con info autore
SELECT
    d.title,
    d.content,
    a.name AS author_name,
    1 - (d.embedding <=> $1) AS similarity
FROM documents d
JOIN authors a ON d.author_id = a.id
WHERE a.verified = true
ORDER BY d.embedding <=> $1
LIMIT 10;

-- Esclusione: trova simili ma NON il documento stesso
SELECT
    id, title,
    1 - (embedding <=> (SELECT embedding FROM documents WHERE id = 42)) AS similarity
FROM documents
WHERE id != 42
ORDER BY embedding <=> (SELECT embedding FROM documents WHERE id = 42)
LIMIT 5;

6.3 Yinelemeli Dizin Taramaları (pgvector 0.8.0)

0.8.0 sürümünün en önemli yeni özelliklerinden biri de yinelemeli dizin taraması. Vektör aramasını WHERE filtreleriyle birleştirdiğinizde kısıtlayıcı olduğundan, endeks ilk geçişte yeterli isabet bulamayabilir. Yinelemeli taramalarla pgvector, tatmin olana kadar dizini taramaya devam eder istenen LIMIT.

Yinelemeli dizin taramalarını etkinleştir


-- Abilita iterative scan per HNSW
SET hnsw.iterative_scan = relaxed_order;  -- o strict_order

-- Imposta il limite massimo di tuple da scansionare
SET hnsw.max_scan_tuples = 20000;

-- Ora le query con filtri restrittivi funzionano correttamente
SELECT id, title,
       1 - (embedding <=> $1) AS similarity
FROM documents
WHERE category = 'raro'  -- categoria con pochi documenti
ORDER BY embedding <=> $1
LIMIT 10;
-- Senza iterative scan: potrebbe restituire 0-3 risultati
-- Con iterative scan: restituisce sempre fino a 10 risultati

-- Modalità disponibili:
-- off           = comportamento tradizionale (default)
-- strict_order  = mantiene l'ordine esatto delle distanze
-- relaxed_order = ordine approssimato (migliori performance)

Yinelemeli Taramalar Ne Zaman Kullanılmalı?

rahat_sipariş: çoğu durumda performans ve kalite arasında en iyi dengeyi sunar
strict_order: mesafelerin kesin sırası kritik olduğunda (örneğin, kullanıcı için sonuçların sıralaması)
kapalı: WHERE filtreniz olmadığında veya filtreler kısıtlayıcı olmadığında

7. Python ile Gömmeler Oluşturun

Pgvector'a veri girmek için öncelikle metni aşağıdakileri kullanarak sayısal vektörlere dönüştürmelisiniz: bir yerleştirme modeli. İki yaklaşımı görelim: OpenAI API (ücretli, yüksek kaliteli) ve Cümle Transformatörleri (ücretsiz, yerel).

7.1 OpenAI API'si ile

OpenAI ile yerleştirmeler oluşturun ve bunları PostgreSQL'e ekleyin


import openai
import psycopg2
from psycopg2.extras import execute_values

# Configura il client OpenAI
client = openai.OpenAI(api_key="sk-...")

def get_embedding(text: str, model: str = "text-embedding-3-small") -> list[float]:
    """Genera un embedding per un testo usando OpenAI."""
    response = client.embeddings.create(
        input=text,
        model=model
    )
    return response.data[0].embedding  # lista di 1536 float

# Connetti a PostgreSQL
conn = psycopg2.connect(
    host="localhost",
    database="vectordb",
    user="admin",
    password="secret_password"
)
cur = conn.cursor()

# Genera e inserisci embeddings
documents = [
    ("Introduzione a Python", "Python e un linguaggio di programmazione versatile..."),
    ("PostgreSQL Avanzato", "Le CTE ricorsive permettono di eseguire query gerarchiche..."),
    ("Docker per Sviluppatori", "I container Docker isolano le applicazioni..."),
]

for title, content in documents:
    embedding = get_embedding(content)
    cur.execute(
        "INSERT INTO documents (title, content, embedding) VALUES (%s, %s, %s)",
        (title, content, str(embedding))
    )

conn.commit()
cur.close()
conn.close()

7.2 Cümle Transformatörlü (Ücretsiz ve Yerel)

Cümle Transformatörleriyle Ücretsiz Yerleştirmeler


from sentence_transformers import SentenceTransformer
import psycopg2
import numpy as np

# Carica il modello (scaricato automaticamente la prima volta)
model = SentenceTransformer('all-MiniLM-L6-v2')  # 384 dimensioni

# Genera embeddings per un batch di testi
texts = [
    "Python e un linguaggio di programmazione versatile",
    "Le CTE ricorsive permettono query gerarchiche in SQL",
    "I container Docker isolano le applicazioni",
]
embeddings = model.encode(texts)  # shape: (3, 384)

# Connetti e inserisci
conn = psycopg2.connect(
    host="localhost", database="vectordb",
    user="admin", password="secret_password"
)
cur = conn.cursor()

# NOTA: la colonna deve essere vector(384), non vector(1536)
for text, embedding in zip(texts, embeddings):
    cur.execute(
        "INSERT INTO documents (title, content, embedding) VALUES (%s, %s, %s)",
        (text[:100], text, str(embedding.tolist()))
    )

conn.commit()
cur.close()
conn.close()

OpenAI ve Cümle Transformatörleri


bekliyorum
OpenAI API'si
Cümle Transformatörleri


Maliyet
0,02 ABD doları / 1 milyon jeton
Özgür

kalite
Mükemmel (son teknoloji)
İyi (birçok durum için yeterli)

Mahremiyet
OpenAI'ye gönderilen veriler
Tamamı yerel, hiçbir veri gitmiyor

Hız
~100ms istek başına (ağ)
Metin için ~10 ms (GPU ile)

Çevrimdışı
Hayır (internet gerektirir)
Evet (ilk indirmeden sonra)

Boyutlar
1536 veya 3072
384 veya 768 (modele bağlı)

Gömmenin Altın Kuralı

Kullan onu aynı yerleştirme modeli hem belgeleri indekslemek için hem de sorgu vektörünü oluşturmak için. Farklı modellerle oluşturulan gömmeler canlı olarak farklı vektör uzayları ve karşılaştırılamazlar. Eğer indekslerseniz text-embedding-3-small, aynı modelle arama yapmalısınız.

8. İndeksleme: HNSW vs IVFFlat

İndeks olmadan, pgvector sıralı (kaba kuvvet) tarama yaparak karşılaştırma yapar. tablonun her satırının sorgu vektörü. Bu %100 doğrudur ancak büyük veri kümeleriyle yavaştır. Yaklaşık En Yakın Komşu (ANN) endeksleri feda edildi Daha hızlı aramalar elde etmek için minimum hassasiyet yüzdesi.

8.1 HNSW Endeksi

HNSW (Hiyerarşik Gezinilebilir Küçük Dünya), çok düzeyli bir bağlantı grafiği oluşturur taşıyıcılar arasında. Ve çoğu durumda önerilen dizin: hızlı okuma, iyi doğruluk ve yeniden yapılanmaya gerek kalmadan artan eklemeleri destekler.

HNSW dizini oluşturma ve yapılandırma


-- Indice HNSW con parametri di default
CREATE INDEX idx_documents_embedding_hnsw
ON documents
USING hnsw (embedding vector_cosine_ops);

-- Indice HNSW con parametri personalizzati
CREATE INDEX idx_documents_embedding_hnsw
ON documents
USING hnsw (embedding vector_cosine_ops)
WITH (
    m = 24,                -- connessioni per nodo (default: 16, range: 2-100)
    ef_construction = 128  -- candidati durante costruzione (default: 64, range: 4-1000)
);

-- Regola ef_search per le query (default: 40)
SET hnsw.ef_search = 100;  -- più alto = più preciso ma più lento

HNSW Parametreleri: Yapılandırma Kılavuzu


Parametre
Varsayılan
Menzil
Etki
Öğüt vermek


m
16
2 - 100
Daha fazla bağlantı = daha kesin, daha fazla bellek
Çoğu durumda 16-32

ef_construction
64
4 - 1000
Daha yüksek = daha iyi dizin, daha yavaş oluşturma
64-256 (tek seferlik, yükseltilmeye değer)

ef_search
40
1 - 1000
Daha yüksek = daha kesin, daha yavaş arama
İstenilen değiş tokuşa bağlı olarak 40-200

8.2 IVFFlat İndeksi

IVFFlat (Düz sıkıştırmalı Ters Dosya) vektörleri kümelere böler ve yalnızca arama yapar sorguya en yakın kümelerde. Oluşturulması HNSW'den daha hızlıdır ancak çok sayıda yeni veri eklediğinizde yeniden yapılanma. Veri kümelerini değiştirmek için ideal nadiren.

IVFFlat dizini oluşturma ve yapılandırma


-- IMPORTANTE: IVFFlat richiede dati nella tabella PRIMA di creare l'indice
-- (necessità di fare clustering k-means sui dati esistenti)

-- Indice IVFFlat
CREATE INDEX idx_documents_embedding_ivf
ON documents
USING ivfflat (embedding vector_cosine_ops)
WITH (
    lists = 100   -- numero di cluster (default: 100)
);

-- Regola il numero di cluster da esplorare durante la ricerca
SET ivfflat.probes = 10;  -- default: 1, consigliato: sqrt(lists)

-- Regola pratica per "lists":
-- rows < 1M:    lists = rows / 1000
-- rows >= 1M:   lists = sqrt(rows)

8.3 Mesafe Tipine Göre Operatörler

Dizin oluşturmada belirtilen operatör, operatörle eşleşmelidir sorgularda kullanılır. İşte tam harita.

Harita Operatörleri ve Dizin Sınıfları


Mesafe
SQL operatörü
Dizin Sınıfı (ayy)


Küçük şeyler
<=>
vector_cosine_ops

L2 (Öklidyen)
<->
vector_l2_ops

İç Ürün
<#>
vector_ip_ops

8.4 HNSW vs IVFFlat: Hangisini Seçmeli

HNSW ve IVFFlat karşılaştırması


bekliyorum
HNSW
IVFFlatin


Arama hızı
Daha hızlı
Hızlı

Doğruluk (hatırlama)
~95-99%
~90-98%

Oluşturma zamanı
Yavaş
Hızlı

Hafıza
Yüksek
Ortalama

Artımlı eklemeler
Destekleniyor
REINDEX'e ihtiyaç duyuyorlar

Yinelemeli tarama
Evet (0.8.0)
Evet (0.8.0)

İdeal kullanım durumu
Genel kullanım, büyüyen veriler
Statik veri kümeleri, hızlı oluşturma

Pratik tavsiyeler

Çoğu proje için, HNSW'yi seçin. Ve daha çok yönlüdür, destekler yeniden oluşturma olmadan artımlı eklemeler ve pgvector'un 0.8.0 sürümü performansını önemli ölçüde artırdı. IVFFlat'ı yalnızca şu durumlarda kullanın: dizin yapısı ve kritik (çok büyük veri kümeleri yalnızca bir kez yüklenir) o sıkı hafıza kısıtlamalarınız varsa.

9. Performans: pgvector vs Özel Vektör Veritabanları

En sık sorulan soru şudur: "pgvector üretim için yeterince hızlı mı?". Cevap 2026'da ve net bir şekilde sikullanım durumlarının büyük çoğunluğu için. Rakamları görelim.

9.1 Büyük Ölçekli Karşılaştırmalar

Pgvectorscale kıyaslamaları (Timescale tarafından geliştirilen pgvector'un tamamlayıcı uzantısı) 50 milyon operatörden biri etkileyici sonuçlar gösteriyor:

Karşılaştırma: %99 Geri Çağırmada 50 Milyon Vektör


Sistem
QPS (Sorgular/sn)
Hatırlamak
Notlar


pgvektör ölçeği
471
%99
Qdrant'tan 11,4 kat daha hızlı

Qdrant
41
%99
Saf vektör araması için optimize edildi

9.2 Orta Ölçekli Karşılaştırma (1M Vektörler)

Karşılaştırma: 1 Milyon Vektör - Verim


Sistem
Sorgu/sn
Ekleme/sn
Yönetilen Maliyet


Çam kozalağı
~5.000
~50.000
Aylık 70dan başlayan fiyatlarla

Qdrant
~4.500
~45.000
Kendi kendine barındırılan veya bulut

pgvektör
~3.000
~30.000
PG maliyetine dahildir

1M vektörlerde pgvector saf verimde biraz daha yavaştır. Ama dikkate alındığında Raporda, maliyetin neredeyse sıfır olduğu (ve zaten PostgreSQL'inize dahil olduğu) belirtiliyor. kalite-fiyat ve rakipsiz. Çoğu web uygulaması için 3.000 sorgu saniyede fazlasıyla yeterliler.

pgvector YETERLİ OLMADIĞINDA

Aşağıdaki durumlarda özel bir vektör veritabanını (Qdrant, Pinecone) düşünün:

bitti 50 milyon vektörlerin
Aşağıdaki p99 gecikmelerine ihtiyacınız var i 5ms
İş yükünüz yalnızca vektör aramasıdır (ilişkisel veri yoktur)
Yerel dağıtılmış parçalamaya ihtiyacınız var

Diğer her şey için pgvector doğru seçimdir. 10 milyondan az vektör içeren bir sistem PostgreSQL zaten yığında olduğundan herhangi bir ek karmaşıklığa ihtiyaç duymaz.

10. Tam Örnek: Python ile Bilgi Tabanı

Her şeyi pratik bir örnekte bir araya getirelim. Aşağıdakileri sağlayan bir bilgi tabanı oluşturacağız: Belgeleri gömmelerle indeksler, benzerlik aramalarına izin verir ve filtreleri destekler Kategoriye göre.

Knowledge_base.py - Örneği tamamla


"""
Knowledge Base con PostgreSQL + pgvector
Requisiti: pip install openai psycopg2-binary
"""
import openai
import psycopg2
from dataclasses import dataclass

# === Configurazione ===

OPENAI_API_KEY = "sk-..."
DB_CONFIG = {
    "host": "localhost",
    "database": "vectordb",
    "user": "admin",
    "password": "secret_password",
}
EMBEDDING_MODEL = "text-embedding-3-small"
EMBEDDING_DIM = 1536


@dataclass(frozen=True)
class SearchResult:
    id: int
    title: str
    content: str
    similarity: float
    category: str


# === Funzioni di embedding ===

client = openai.OpenAI(api_key=OPENAI_API_KEY)

def get_embedding(text: str) -> list[float]:
    """Genera un embedding per un testo."""
    response = client.embeddings.create(
        input=text,
        model=EMBEDDING_MODEL,
    )
    return response.data[0].embedding


def get_embeddings_batch(texts: list[str]) -> list[list[float]]:
    """Genera embeddings per un batch di testi (più efficiente)."""
    response = client.embeddings.create(
        input=texts,
        model=EMBEDDING_MODEL,
    )
    return [item.embedding for item in response.data]


# === Setup del database ===

def setup_database() -> None:
    """Crea la tabella e gli indici."""
    conn = psycopg2.connect(**DB_CONFIG)
    cur = conn.cursor()

    cur.execute("CREATE EXTENSION IF NOT EXISTS vector;")

    cur.execute(f"""
        CREATE TABLE IF NOT EXISTS kb_documents (
            id BIGSERIAL PRIMARY KEY,
            title VARCHAR(500) NOT NULL,
            content TEXT NOT NULL,
            category VARCHAR(100) DEFAULT 'general',
            embedding vector({EMBEDDING_DIM}),
            created_at TIMESTAMP WITH TIME ZONE DEFAULT NOW()
        );
    """)

    cur.execute("""
        CREATE INDEX IF NOT EXISTS idx_kb_embedding_hnsw
        ON kb_documents
        USING hnsw (embedding vector_cosine_ops)
        WITH (m = 24, ef_construction = 128);
    """)

    cur.execute("""
        CREATE INDEX IF NOT EXISTS idx_kb_category
        ON kb_documents (category);
    """)

    conn.commit()
    cur.close()
    conn.close()
    print("Database setup completato.")


# === Inserimento documenti ===

def insert_documents(
    documents: list[dict],
    batch_size: int = 50,
) -> None:
    """Inserisce documenti con embeddings generati automaticamente."""
    conn = psycopg2.connect(**DB_CONFIG)
    cur = conn.cursor()

    for i in range(0, len(documents), batch_size):
        batch = documents[i : i + batch_size]
        texts = [doc["content"] for doc in batch]
        embeddings = get_embeddings_batch(texts)

        for doc, emb in zip(batch, embeddings):
            cur.execute(
                """INSERT INTO kb_documents (title, content, category, embedding)
                   VALUES (%s, %s, %s, %s)""",
                (doc["title"], doc["content"],
                 doc.get("category", "general"), str(emb)),
            )

        print(f"Inseriti {min(i + batch_size, len(documents))}/{len(documents)} documenti")

    conn.commit()
    cur.close()
    conn.close()


# === Ricerca per similarità ===

def search(
    query: str,
    limit: int = 5,
    category: str | None = None,
    min_similarity: float = 0.3,
) -> list[SearchResult]:
    """Cerca documenti simili alla query."""
    query_embedding = get_embedding(query)

    conn = psycopg2.connect(**DB_CONFIG)
    cur = conn.cursor()

    # Abilita iterative scan per filtri restrittivi
    cur.execute("SET hnsw.iterative_scan = relaxed_order;")

    if category:
        cur.execute(
            """SELECT id, title, content, category,
                      1 - (embedding <=> %s::vector) AS similarity
               FROM kb_documents
               WHERE category = %s
               ORDER BY embedding <=> %s::vector
               LIMIT %s""",
            (str(query_embedding), category,
             str(query_embedding), limit),
        )
    else:
        cur.execute(
            """SELECT id, title, content, category,
                      1 - (embedding <=> %s::vector) AS similarity
               FROM kb_documents
               ORDER BY embedding <=> %s::vector
               LIMIT %s""",
            (str(query_embedding), str(query_embedding), limit),
        )

    results = [
        SearchResult(
            id=row[0], title=row[1], content=row[2],
            category=row[3], similarity=row[4],
        )
        for row in cur.fetchall()
        if row[4] >= min_similarity
    ]

    cur.close()
    conn.close()
    return results


# === Main ===

if __name__ == "__main__":
    # 1. Setup
    setup_database()

    # 2. Inserisci documenti di esempio
    sample_docs = [
        {
            "title": "Introduzione a PostgreSQL",
            "content": "PostgreSQL e un RDBMS open-source con supporto ACID completo.",
            "category": "database",
        },
        {
            "title": "Indici in PostgreSQL",
            "content": "I B-tree sono il tipo di indice default. HNSW e usato per vettori.",
            "category": "database",
        },
        {
            "title": "Cos'è il RAG",
            "content": "RAG combina retrieval e generation per risposte basate su documenti.",
            "category": "ai",
        },
        {
            "title": "Docker per Sviluppatori",
            "content": "Docker isola le applicazioni in container leggeri e portabili.",
            "category": "devops",
        },
        {
            "title": "Embeddings e Vector Search",
            "content": "Gli embeddings trasformano testo in vettori per la similarity search.",
            "category": "ai",
        },
    ]
    insert_documents(sample_docs)

    # 3. Cerca documenti
    print("\n--- Ricerca: 'come funzionano i database vettoriali' ---")
    results = search("come funzionano i database vettoriali", limit=3)
    for r in results:
        print(f"  [{r.similarity:.3f}] {r.title} ({r.category})")

    print("\n--- Ricerca filtrata per categoria 'ai' ---")
    results = search("tutorial su PostgreSQL", limit=3, category="ai")
    for r in results:
        print(f"  [{r.similarity:.3f}] {r.title} ({r.category})")

11.LangChain ile entegrasyon

Bir RAG sistemi oluşturuyorsanız LangChain, pgvector ile doğrudan entegrasyon sunar paket aracılığıyla langchain-postgres. Bu, kullanmanıza olanak tanır SQL'i manuel olarak yazmaya gerek kalmadan vektör deposu olarak PostgreSQL.

Bağımlılıkları yükleme


pip install langchain-postgres langchain-openai psycopg

LangChain'de Vektör Mağazası olarak pgvector


from langchain_postgres import PGVector
from langchain_openai import OpenAIEmbeddings
from langchain_core.documents import Document

# Configura il modello di embedding
embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    openai_api_key="sk-...",
)

# NOTA: langchain-postgres usa psycopg3 (non psycopg2)
CONNECTION_STRING = "postgresql+psycopg://admin:secret@localhost:5432/vectordb"

# Crea il vector store
vector_store = PGVector(
    embeddings=embeddings,
    collection_name="langchain_docs",
    connection=CONNECTION_STRING,
    use_jsonb=True,  # metadati JSONB per filtri efficienti
)

# Aggiungi documenti
docs = [
    Document(
        page_content="pgvector trasforma PostgreSQL in un vector database",
        metadata={"source": "tutorial.md", "chapter": 1},
    ),
    Document(
        page_content="HNSW e l'indice consigliato per la maggior parte dei casi",
        metadata={"source": "tutorial.md", "chapter": 2},
    ),
    Document(
        page_content="LangChain semplifica la costruzione di sistemi RAG",
        metadata={"source": "guida-rag.md", "chapter": 1},
    ),
]

vector_store.add_documents(docs)

# Ricerca per similarità
results = vector_store.similarity_search(
    "come creare un indice vettoriale",
    k=3,
)
for doc in results:
    print(f"[{doc.metadata['source']}] {doc.page_content[:80]}...")

# Ricerca con score
results_with_scores = vector_store.similarity_search_with_score(
    "cos'è pgvector",
    k=3,
)
for doc, score in results_with_scores:
    print(f"[Score: {score:.4f}] {doc.page_content[:80]}...")

# Usa come retriever in una catena RAG
retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 5},
)

# Il retriever può essere usato direttamente nelle chain LangChain
relevant_docs = retriever.invoke("installazione pgvector docker")

Psychopg3 hakkında not

Paket langchain-postgres gereklilikler psikopg3 (psychpg2 değil). Bağlantı dizesi şu biçimi kullanmalıdır: postgresql+psycopg:// yerine postgresql+psycopg2://. Şuradan taşınıyorsanız: langchain-community, bağlantı dizesini güncelleyin.

12. Üretimde pgvector için En İyi Uygulamalar

12.1 Vektör Boyutu

Daha küçük vektörler daha az yer kaplar, dizinlerin daha hızlı oluşturulmasını sağlar ve maliyetleri azaltır. OpenAI text-embedding-3-small (1536 dim) en iyi değeri sunar çoğu durumda kalite-boyut. Eğer hafif bir kaybı tolere edebilirsen kaliteli, all-MiniLM-L6-v2 (384 loş) ve harika bir özgür seçim.

12.2 Toplu Ekleme

Optimize edilmiş toplu ekleme


from psycopg2.extras import execute_values

# SBAGLIATO: un INSERT alla volta (lento)
for doc in documents:
    cur.execute("INSERT INTO docs (content, embedding) VALUES (%s, %s)",
                (doc.content, str(doc.embedding)))

# CORRETTO: batch insert con execute_values (10-50x più veloce)
data = [
    (doc.content, str(doc.embedding))
    for doc in documents
]
execute_values(
    cur,
    "INSERT INTO docs (content, embedding) VALUES %s",
    data,
    page_size=500,  # righe per batch SQL
)
conn.commit()

12.3 Bağlantı Havuzu Oluşturma

Üretimde her istek için yeni bir PostgreSQL bağlantısı açmayın. Gibi bir bağlantı havuzu kullanın PgBouncer veya entegre havuzlama psycopg2.

psycopg2 ile bağlantı havuzu oluşturma


from psycopg2 import pool

# Crea un pool di connessioni (all'avvio dell'applicazione)
connection_pool = pool.ThreadedConnectionPool(
    minconn=5,    # connessioni minime
    maxconn=20,   # connessioni massime
    host="localhost",
    database="vectordb",
    user="admin",
    password="secret_password",
)

# Usa una connessione dal pool
conn = connection_pool.getconn()
try:
    cur = conn.cursor()
    cur.execute("SELECT ... ORDER BY embedding <=> %s LIMIT 5", ...)
    results = cur.fetchall()
    cur.close()
finally:
    connection_pool.putconn(conn)  # restituisci al pool

12.4 Bakım

Periyodik bakım işlemleri


-- VACUUM per recuperare spazio dopo DELETE/UPDATE
VACUUM ANALYZE documents;

-- Ricostruisci l'indice IVFFlat dopo inserimenti massicci
REINDEX INDEX CONCURRENTLY idx_documents_embedding_ivf;
-- NOTA: HNSW non richiede REINDEX per nuovi inserimenti

-- Monitora la dimensione dell'indice
SELECT
    indexname,
    pg_size_pretty(pg_relation_size(indexname::regclass)) AS size
FROM pg_indexes
WHERE tablename = 'documents';

-- Verifica che l'indice venga usato
EXPLAIN ANALYZE
SELECT id, 1 - (embedding <=> '[0.1, 0.2, ...]') AS similarity
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]'
LIMIT 5;
-- Cerca "Index Scan using idx_..._hnsw" nell'output

Üretim Kontrol Listesi

Şununla bir HNSW dizini oluşturun: m = 24 e ef_construction = 128
Vergi ef_search Gecikme/hassasiyet dengesine bağlı olarak 40 ile 200 arasında
Yetenek hnsw.iterative_scan = relaxed_order WHERE filtrelerini kullanıyorsanız
Toplu eklemeyi şununla kullan: execute_values büyük yükler için
Bir bağlantı havuzu kurun (PgBouncer veya psycopg2.pool)
Takvim VACUUM ANALYZE periyodik
Sorguları şununla izleyin: EXPLAIN ANALYZE endeksin kullanımını doğrulamak için
Amerika halfvec yerine vector %50 yerden tasarruf etmek için (eğer float16 hassasiyeti yeterliyse)

Sonuçlar

pgvector, PostgreSQL'i basit bir ilişkisel veritabanından yapay zekaya hazır bir platforma dönüştürdü. 0.8.0 sürümü ve yinelemeli dizin taramaları ile vektör veritabanları arasındaki boşluk tahsis edilen miktar büyük ölçüde azaldı ve çoğu proje için 10 milyonun altında taşıyıcıların yığınına ayrı bir hizmet eklemesi için hiçbir neden yoktur.

Bu makalede pgvector'un nasıl kurulacağını, vektör sütunlu tablolar oluşturmayı, üç mesafe operatörüyle benzerlik araması yapın, Python ile yerleştirmeler oluşturun, HNSW ve IVFFlat endekslerini kurun ve her şeyi LangChain ile entegre edin. Şunu da gördün mü? pgvector'un üretimdeki performansını doğrulayan kriterler.

içinde sonraki makale onları daha derinlemesine inceleyeceğiz gömmeler: dahili olarak nasıl çalıştıkları, doğru modelin nasıl seçileceği, parçalama stratejileri uzun belgeler için ve arama kalitesinin nasıl optimize edileceği. içinde üçüncü makale bir tane inşa edeceğiz RAG boru hattı tamamlandı tek arka uç olarak PostgreSQL ile.

Ek Kaynaklar

pgvector GitHub: github.com/pgvector/pgvector - Resmi belgeler ve değişiklik günlüğü
pgvektör ölçeği: github.com/timescale/pgvectorscale - Geliştirilmiş performans uzantısı
LangChain PGVector: python.langchain.com - Resmi Python entegrasyonu
Süper Baz Vektörü: supabase.com/docs/guides/ai - Supabase'de pgvektör kılavuzu
Neon Yapay Zeka: neon.tech/docs/ai - Neon sunucusuzda pgvector

Faktör	Özel Vektör Veritabanı	PostgreSQL + pgvektör
Altyapı	Yönetilecek yeni hizmet	Mevcut veritabanına genişletme
Maliyet	Ayrı plan (Çam Kozalağı ayda 70dan başlıyor)	PostgreSQL maliyetine dahildir
Veri tutarlılığı	Veritabanları arasında senkronizasyon gerekli	Yerel ASİT işlemleri
Sorgular	Tescilli API	Standart SQL + KATIL, NEREDE, GRUPLANDIR
Yedeklemeler	Ayrı sistem	pg_dump her şeyi içerir
Takım	Özel beceriler gerekli	SQL bilen herkes

Metrik	Değer
Güncel sürüm	0.8.0+ (yinelemeli dizin taramalarıyla)
Maks. taşıyıcı boyutu	16.000
Dizin türleri	HNSW, IVFFlat
Vektör türleri	vektör, halfvec, sparsevec, bit
Mesafe metrikleri	Kosinüs, L2 (Öklid), İç Çarpım
Destekleyen:	AWS RDS, Supabase, Neon, Google Cloud SQL, Azure
Lisans	PostgreSQL Lisansı (açık kaynak)

Hizmet	pgvektör Dahil	Ücretsiz Plan	Notlar
Süper taban	Önceden yüklenmiş	Evet (500 MB)	Kontrol Paneli kullanıcı arayüzü, otomatik REST API'leri
Neon	Önceden yüklenmiş	Evet (0,5 GB)	Sunucusuz, şube veritabanları
AWS RDS	Etkinleştirilecek	No	Aurora PostgreSQL'de pgvector 0.8.0
Google Bulut SQL	Etkinleştirilecek	No	pgvector 0.8.0 desteği
Azure Veritabanı	Etkinleştirilecek	No	pgvector ile Esnek Sunucu

Modeli	Sağlayıcılar	Boyutlar	Maliyet / 1 milyon token
metin yerleştirme-3-küçük	OpenAI	1536	0,02$
metin gömme-3-büyük	OpenAI	3072	0,13$
hepsi-MiniLM-L6-v2	SarılmaYüz (Ücretsiz)	384	Ücretsiz (yerel)
tüm-mpnet-base-v2	SarılmaYüz (Ücretsiz)	768	Ücretsiz (yerel)
yolculuk-3	Yolculuk Yapay Zekası	1024	0,06$

Operatör	Metrik	Formül	Sıralama	Kullanım Örneği
`<=>`	Kosinüs Mesafesi	1 - kosinüs_benzerliği	ASC (0 = aynı)	Metin, normalleştirilmiş yerleştirmeler
`<->`	L2 (Öklidyen)	sqrt(toplam((a-b)^2))	ASC (0 = aynı)	Görüntüler, mekansal veriler
`<#>`	İç Ürün (reddedildi)	-1 * nokta_ürün	ASC (daha negatif = daha benzer)	Normalleştirilmiş vektörler, maksimum performans

bekliyorum	OpenAI API'si	Cümle Transformatörleri
Maliyet	0,02 ABD doları / 1 milyon jeton	Özgür
kalite	Mükemmel (son teknoloji)	İyi (birçok durum için yeterli)
Mahremiyet	OpenAI'ye gönderilen veriler	Tamamı yerel, hiçbir veri gitmiyor
Hız	~100ms istek başına (ağ)	Metin için ~10 ms (GPU ile)
Çevrimdışı	Hayır (internet gerektirir)	Evet (ilk indirmeden sonra)
Boyutlar	1536 veya 3072	384 veya 768 (modele bağlı)

Parametre	Varsayılan	Menzil	Etki	Öğüt vermek
`m`	16	2 - 100	Daha fazla bağlantı = daha kesin, daha fazla bellek	Çoğu durumda 16-32
`ef_construction`	64	4 - 1000	Daha yüksek = daha iyi dizin, daha yavaş oluşturma	64-256 (tek seferlik, yükseltilmeye değer)
`ef_search`	40	1 - 1000	Daha yüksek = daha kesin, daha yavaş arama	İstenilen değiş tokuşa bağlı olarak 40-200

Mesafe	SQL operatörü	Dizin Sınıfı (ayy)
Küçük şeyler	`<=>`	`vector_cosine_ops`
L2 (Öklidyen)	`<->`	`vector_l2_ops`
İç Ürün	`<#>`	`vector_ip_ops`

bekliyorum	HNSW	IVFFlatin
Arama hızı	Daha hızlı	Hızlı
Doğruluk (hatırlama)	~95-99%	~90-98%
Oluşturma zamanı	Yavaş	Hızlı
Hafıza	Yüksek	Ortalama
Artımlı eklemeler	Destekleniyor	REINDEX'e ihtiyaç duyuyorlar
Yinelemeli tarama	Evet (0.8.0)	Evet (0.8.0)
İdeal kullanım durumu	Genel kullanım, büyüyen veriler	Statik veri kümeleri, hızlı oluşturma

Sistem	QPS (Sorgular/sn)	Hatırlamak	Notlar
pgvektör ölçeği	471	%99	Qdrant'tan 11,4 kat daha hızlı
Qdrant	41	%99	Saf vektör araması için optimize edildi

Sistem	Sorgu/sn	Ekleme/sn	Yönetilen Maliyet
Çam kozalağı	~5.000	~50.000	Aylık 70dan başlayan fiyatlarla
Qdrant	~4.500	~45.000	Kendi kendine barındırılan veya bulut
pgvektör	~3.000	~30.000	PG maliyetine dahildir