# Vchord 家族套件

> 检索增强生成（RAG）正在彻底改变我们与海量数据集及语言模型的交互方式。通过 Vchord 家族扩展，您可以直接在 PostgreSQL 中构建生产级 RAG 系统。

---

LLMS 索引： [llms.txt](/zh/llms.txt)

---

检索增强生成（Retrieval-Augmented Generation，简称 RAG）正在彻底改变我们与海量数据集及大语言模型的交互方式。通过在生成回答前检索相关信息，RAG 系统能够提供更加精准、具备上下文感知且时效性更强的答案。然而，构建稳健、可扩展且高效的 RAG 流水线依然面临诸多挑战，在生产环境中尤为如此。

许多现有方案采用了复杂的架构，分别使用不同的专用数据库来处理向量检索、关键词检索和主数据存储。这往往会导致数据同步困难、基础设施复杂度上升以及运维成本居高不下。

如果能够直接在您信赖的 PostgreSQL 数据库中构建强大且达到生产级标准的 RAG 系统，会怎样呢？

为此，我们推出了 **Vchord 家族套件（Vchord Suite）**——这是一套专为将高性能向量检索、原生 BM25 排序以及灵活的分词能力直接引入 Postgres 而设计的 PostgreSQL 扩展套件。下面让我们一起探索其核心组件，以及它们如何赋能下一代 RAG 解决方案。

## 什么是 Vchord 家族套件？ {#what-is-the-vectorchord-suite}

该套件由三个协同工作的核心 PostgreSQL 扩展组成：

1. [**`vchord` (`pgsty/vchord`)：**](https://github.com/pgsty/vchord) 核心向量检索引擎，专为在 PostgreSQL 内部实现可扩展、高性能且高磁盘效率的向量相似性检索而设计。

2. [**`vchord_bm25` (`pgsty/vchord_bm25`)：**](https://github.com/pgsty/vchord_bm25) 该扩展利用高效的 Block-WeakAnd 算法，直接在 PostgreSQL 内部实现了成熟的 BM25 排序算法。BM25 是基于关键词词频与文档特征进行相关性排序的行业标准。

3. [**`pg_tokenizer` (`pgsty/pg_tokenizer`)：**](https://github.com/pgsty/pg_tokenizer) 提供高效全文检索所需的核心文本分词能力，支持对全文检索中的文本处理流程进行细粒度控制。


通过组合这些扩展，您可以完全在 PostgreSQL 内部解锁构建高级 RAG 系统的强大能力。

## 如何使用 Vchord 家族套件 {#how-to-use-the-vectorchord-suite}

您可以使用 `tensorchord/vchord-suite` Docker 镜像来运行由 TensorChord 提供的多个扩展。该镜像基于 Docker 官方 PostgreSQL 镜像构建，并内置了以下扩展：
- `vchord`
- `pg_tokenizer`
- `vchord_bm25`
- `vector`

```shell
docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg18-latest

# 如果您希望使用 ghcr 镜像，可以将镜像名改为 `ghcr.io/tensorchord/vchord-suite:pg18-latest`。
docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg18-latest

# 如果您希望使用特定版本，可以使用如 `pg17-20250414` 的标签，受支持的版本可在支持矩阵中查看。
docker run \
  --name vchord-suite \
  -e POSTGRES_PASSWORD=postgres \
  -p 5432:5432 \
  -d tensorchord/vchord-suite:pg17-20250414
```

```sql
CREATE EXTENSION IF NOT EXISTS vchord CASCADE;
CREATE EXTENSION IF NOT EXISTS pg_tokenizer CASCADE;
CREATE EXTENSION IF NOT EXISTS vchord_bm25 CASCADE;
\dx
pg_tokenizer | 0.1.1   | tokenizer_catalog | pg_tokenizer
vchord       | 1.1.1   | public            | vchord: Vector database plugin for Postgres, written in Rust, specifically designed for LLM
vchord_bm25  | 0.3.0   | bm25_catalog      | vchord_bm25: A postgresql extension for bm25 ranking algorithm
vector       | 0.8.1   | public            | vector data type and ivfflat and hnsw access methods
```

## Vchord 家族套件的应用场景 {#use-cases-for-the-vectorchord-suite}

### 场景 1：基于原生 BM25 与 `vchord` 的强大混合检索 {#use-case-1-powerful-hybrid-search-with-native-bm25-and-vectorchord}

<img src="/docs/images/hybrid-search.jpeg" alt="Hybrid Search" width="600" align="center"/>

在 RAG 时代，高效的检索至关重要。无论是单纯的关键词检索还是单纯的向量检索，都并非完美无缺：

* **关键词检索（如 BM25）：** 擅长精确匹配，能够找出包含确切关键词的文档，非常适合结构化查询和特定术语检索。然而，它在处理同义词、改写表述以及理解潜在*语义*或意图方面表现欠佳。（基于 `vchord_bm25` 与 `pg_tokenizer` 实现）。

* **向量检索：** 能够捕捉深层语义信息及概念间的关联，即使查询中未出现完全一致的关键词，也能找到相关信息。但在面对要求精确匹配特定术语的查询时，其精度有时会略显不足。（基于 `vchord` 实现）。


**解决方案：混合检索（Hybrid Search）。** 通过在 PostgreSQL 内部结合这两种方法的优势，Vchord 家族套件完美弥补了这一鸿沟。您可以在查询中同时利用：

* `vchord_bm25`（由 `pg_tokenizer` 驱动）实现关键词精确匹配。

* `vchord` 实现深层语义理解。


随后，可以将两者的检索结果进行智能融合（例如使用倒数排序融合 RRF，或基于模型的重排序），从而生成比任何单一方法都更加准确、上下文相关且具备语义感知的最终排序。这将为您的 RAG 应用带来显著的检索性能提升。

<a id="use-case-2-beyond-text-ocr-free-rag-with-colqwen2-vectorchord"></a>
### 场景 2：超越纯文本——基于 ColQwen2 与 `vchord` 的免 OCR RAG {#use-case-2-beyond-text---ocr-free-rag-with-colqwen2--vectorchord}

为 PDF 或扫描图像等文档构建 RAG 系统通常涉及繁琐的预处理流水线。传统方法高度依赖光学字符识别（OCR）和版面分析来提取文本。这一过程往往存在以下弊端：

* **速度缓慢：** OCR 的计算开销通常非常高昂。

* **容易出错：** OCR 的准确率受文档质量影响极大。

* **信息有损：** 表格、图表、排版格式以及相对位置等关键视觉上下文信息，往往会在文本提取过程中丢失。


**解决方案：免 OCR、具备视觉感知的 RAG。** 如果您无需显式执行 OCR，就能直接根据文档的*视觉外观*及其*内容*进行查询，会怎样呢？

现在，通过结合以下两项技术即可实现这一目标：

1. **多模态视觉语言模型（VLM）：** 诸如 ColQwen2 等模型可以直接处理图像（文档页面），并生成*同时*捕捉文本内容与视觉版面信息的嵌入向量（Embeddings）。

2. **`vchord` 的多向量检索能力：** `vchord` 可以在 PostgreSQL 中高效地为每篇文档存储和检索*多个*向量——允许您存储代表文档不同维度的嵌入表示（例如文本内容与视觉布局）。


借助这一方案，您可以直接在 PostgreSQL 中使用提及视觉元素的提示词（如“查找包含对比销售数据的柱状图的文档”）或结合图文线索的查询来检索文档数据库。这不仅简化了您的 RAG 技术栈，还通过保留视觉上下文提升了检索准确率，并彻底消除了传统 OCR 流水线的性能瓶颈。

## 为什么在 PostgreSQL 中构建 RAG？ {#why-build-rag-in-postgresql}

在 PostgreSQL 中使用 Vchord 家族套件具有显著优势：

* **数据统一：** 将源数据、文本、元数据和向量嵌入统一保存在同一个数据库中。

* **降低复杂度：** 无需维护独立的向量数据库及复杂的数据同步流水线。

* **复用现有基础设施：** 充分利用您现有的 PostgreSQL 专业经验、工具链和运维体系。

* **事务完整性：** 受益于 PostgreSQL 强大的 ACID 事务保障。

* **丰富的生态系统：** 无缝接入 PostgreSQL 生态系统中种类繁多的工具与特性。


<a id="Conclusion"></a>
## 总结 {#conclusion}

Vchord 家族套件将 PostgreSQL 打造成了一个强大且达到生产级标准的平台，用于构建高级 RAG 解决方案。通过集成高性能向量检索（`vchord`）、成熟的关键词排序（`vchord_bm25`）以及灵活的文本处理（`pg_tokenizer`），您可以直接在数据库内部实现混合检索与免 OCR 多模态检索等前沿技术。在 PostgreSQL 中借助 Vchord 简化系统架构、提升检索精度，并充分释放 RAG 的全部潜能。

## 相关博文 {#blog-posts}

在近期的博文中，我们分享了多个实际应用案例，其中所有的 Docker 镜像均可以直接替换为 VectorChord Suite 镜像：

* [在 PostgreSQL 中使用 ColBERT 重排序为向量检索加速](/zh/blog/post/supercharge-vector-search-with-colbert-rerank-in-postgresql/)

* [基于 Postgres 原生 BM25 与 VectorChord 的混合检索](/zh/blog/post/hybrid-search-with-postgres-native-bm25-and-vectorchord/)

* [超越纯文本：使用 Modal 与 VectorChord 在 PostgreSQL 中实现免 OCR RAG](/zh/blog/post/beyond-text-unlock-ocr-free-rag-in-postgresql-with-modal-and-vectorchord/)


<a id="References"></a>
## 参考资料 {#references}

* [https://vchord.pgsty.com/zh/blog/post/vectorchord-store-400k-vectors-for-1-in-postgresql/](/zh/blog/post/vectorchord-store-400k-vectors-for-1-in-postgresql/)

* [https://vchord.pgsty.com/zh/blog/post/vectorchord-bm25-revolutionize-postgresql-search-with-bm25-ranking-3x-faster-than-elasticsearch/](/zh/blog/post/vectorchord-bm25-revolutionize-postgresql-search-with-bm25-ranking-3x-faster-than-elasticsearch/)

* [https://vchord.pgsty.com/zh/blog/post/vectorchord-bm25-introducing-pgtokenizera-standalone-multilingual-tokenizer-for-advanced-search/](/zh/blog/post/vectorchord-bm25-introducing-pgtokenizera-standalone-multilingual-tokenizer-for-advanced-search/)

---

反链：

- [安装指南](/zh/docs/tokenizer/installation/)