pgai Vectorizer：用 SQLAlchemy 简化向量搜索

我们构建 pgai Vectorizer，是为了简化 AI 应用的 embedding 管理，无需单独部署数据库，也不需要复杂的基础设施。自发布以来，开发者已经在 Timescale Cloud 上创建了超过 3,000 个 vectorizer，还有更多 vectorizer 运行在自托管环境中。

但开发者希望 pgai Vectorizer 能够与熟悉的应用开发工具配合使用，并支持更多 embedding 提供商。今天，我们通过两项重要更新实现了这些需求：

• **支持 SQLAlchemy：**SQLAlchemy 是使用最广泛的 Python ORM，开发者可以使用 Python 而不是原始 SQL 操作数据库。现在，pgai Vectorizer 已经与其直接集成，因此你可以通过 SQLAlchemy 查询，像存储和查询其他列一样处理 vector embedding。

• **支持 SQLAlchemy：**SQLAlchemy 是使用最广泛的 Python ORM，开发者可以使用 Python 而不是原始 SQL 操作数据库。现在，pgai Vectorizer 已经与其直接集成，因此你可以通过 SQLAlchemy 查询，像存储和查询其他列一样处理 vector embedding。

• **通过 LiteLLM 支持更多 embedding 模型：**LiteLLM 为多个 embedding 提供商提供了统一、简洁的 API。现在，只需一条 SQL 命令，pgai Vectorizer 就能使用 OpenAI、Cohere、Hugging Face、Mistral、Azure OpenAI、AWS Bedrock 和 Google Vertex。

• **通过 LiteLLM 支持更多 embedding 模型：**LiteLLM 为多个 embedding 提供商提供了统一、简洁的 API。现在，只需一条 SQL 命令，pgai Vectorizer 就能使用 OpenAI、Cohere、Hugging Face、Mistral、Azure OpenAI、AWS Bedrock 和 Google Vertex。

这些更新让开发者能够在 Python 中以更简单、更灵活的方式使用 embedding——没有额外的复杂性，只有能够融入现有技术栈的工具。

（想进一步了解我们为什么构建 pgai Vectorizer，请阅读：《Vector Database 是错误的抽象》。）

SQLAlchemy：像操作其他列一样存储和查询 Vector

SQLAlchemy 是一个对 SQL 查询进行抽象的 Python ORM，现在它已经与 pgai Vectorizer 集成。你可以像处理其他数据库列一样存储和查询 embedding，而不必编写原始 SQL。

• **像操作其他列一样写入和读取 vector：**在模型中将 embedding 定义为结构化字段。

• **像操作其他列一样写入和读取 vector：**在模型中将 embedding 定义为结构化字段。

• **在 ORM 表达式中执行 vector 相似度查询：**无需使用原始 SQL，也不需要外部 vector store。

• **在 ORM 表达式中执行 vector 相似度查询：**无需使用原始 SQL，也不需要外部 vector store。

• **使用 Alembic migration：**对 schema 变更进行版本控制。这样一来，你可以更轻松地在 Postgres 中存储、读取和更新 embedding，同时让所有操作都保持 ORM 原生体验。

• **使用 Alembic migration：**对 schema 变更进行版本控制。这样一来，你可以更轻松地在 Postgres 中存储、读取和更新 embedding，同时让所有操作都保持 ORM 原生体验。

op.create_vectorizer(
    source="blog",
    embedding=OpenAIConfig(
        model='text-embedding-3-small',
        dimensions=768
    ),
    chunking=CharacterTextSplitterConfig(
        chunk_column='content',
    ),
    formatting=PythonTemplateConfig(template='$title - $chunk')
)

LiteLLM：通过一条 SQL 命令切换 Embedding 提供商

选择合适的 embedding 模型会影响成本、性能和准确性，但切换提供商不应该要求你重写查询。LiteLLM 消除了这一阻力，只需一条 SQL 命令，就能无缝切换提供商——不必重写查询，也不需要手动重新处理数据。

• **即时切换提供商：**只需投入极少精力，即可测试 OpenAI、Cohere、Hugging Face、Mistral、Azure OpenAI、AWS Bedrock 和 Google Vertex。

• **即时切换提供商：**只需投入极少精力，即可测试 OpenAI、Cohere、Hugging Face、Mistral、Azure OpenAI、AWS Bedrock 和 Google Vertex。

• **无需重写查询：**无论使用哪家 embedding 提供商，应用都可以继续正常运行。

• **无需重写查询：**无论使用哪家 embedding 提供商，应用都可以继续正常运行。

• **切换时保留旧 embedding：**确保平稳过渡，无需停机。

• **切换时保留旧 embedding：**确保平稳过渡，无需停机。

SELECT ai.create_vectorizer(
    'my_table'::regclass,
    embedding => ai.embedding_litellm(
        'cohere/embed-english-v3.0',
        1024,
        api_key_name => 'COHERE_API_KEY'
    ),
    chunking => ai.chunking_recursive_character_text_splitter('contents')
);

LiteLLM 现已向自托管用户开放，并将很快登陆 Timescale Cloud。

几分钟内开始使用

pgai Vectorizer 的 SQLAlchemy 和 LiteLLM 集成现已推出，让你能够以前所未有的便捷方式，在 Postgres 中存储、查询和试验 vector embedding。

• 从 GitHub 安装 pgai Vectorizer

• 从 GitHub 安装 pgai Vectorizer

• 使用 SQLAlchemy 定义 vector 列

• 使用 SQLAlchemy 定义 vector 列

• 使用 LiteLLM 测试不同的 embedding 提供商

• 使用 LiteLLM 测试不同的 embedding 提供商

对于自托管部署，需要使用外部 worker 处理 embedding。在 Timescale Cloud 中，这个过程已经实现自动化，可以处理 API 调用并动态扩展工作负载。

pgai Vectorizer 只是一个开始。我们正在打造更广泛的 AI-native 数据库体验，让 Postgres 支持更智能的索引、更先进的 AI 搜索，以及与 AI 工具的深度集成。未来还会推出更多增强功能，让 Postgres 成为构建 AI 应用的最佳平台。

这是一套能够帮助开发者更轻松地使用 PostgreSQL 开发 RAG、语义搜索和其他 AI 应用的工具。

加入我们的 Discord 社区，分享反馈，并了解其他开发者正在构建什么。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。