pgvector v praxi: sémantické vyhledávání a znalostní báze pro AI agenta v e-shopu

1. 1

   Převod textu na vektor

   Embeddingový model u zvoleného poskytovatele AI převede popis produktu nebo úryvek dokumentu na seznam čísel (např. 1536 hodnot).

2. 2

   Uložení do PostgreSQL

   Vektor se uloží do sloupce typu vector vedle běžných dat: názvu, ceny, adresy stránky.

3. 3

   Vyhledávání podle podobnosti

   Dotaz zákazníka převedete na vektor stejným modelem a požádáte databázi o nejbližší výsledky.

CREATE TABLE product_chunks (
  id bigserial PRIMARY KEY,
  product_url text NOT NULL,
  content text NOT NULL,
  embedding vector(1536)
);

CREATE INDEX ON product_chunks USING hnsw (embedding vector_cosine_ops);

-- $1 = vektor dotazu, spočítaný stejným modelem
SELECT product_url, content
FROM product_chunks
ORDER BY embedding <=> $1
LIMIT 5;

Rozměr sloupce musí odpovídat embeddingovému modelu. Při změně modelu vektory přepočítejte — vektory ze dvou různých modelů nejsou porovnatelné.

• •Vyhledávání podle významu, které rozumí synonymům a popisům potřeb, ne jen názvům produktů.
• •Znalostní báze pro agenta zákaznické podpory: obchodní podmínky, doprava, vrácení zboží — agent odpovídá podle vašich dokumentů s odkazem na zdroj.
• •Podobné produkty podle popisu, když chybějí data o nákupech.
• •Úklid katalogu: odhalení duplicitních produktů s různými názvy.

Agent připojený přes MCP může sám založit tabulku s vektory v databázi, ke které jste mu dali plný přístup, a dotazovat se jí v produkční databázi s přístupem jen pro čtení. Přepočet vektorů naplánujete v databázi přes pg_cron a změny produktů předáte dál webhookem z databáze. Podrobnosti o přístupu: PostgreSQL pro AI agenty.