pgvector in der Praxis: semantische Suche und Wissensbasis für einen KI-Agenten im Shop

1. 1

   Text in einen Vektor umwandeln

   Ein Embedding-Modell beim gewählten KI-Anbieter wandelt eine Produktbeschreibung oder einen Dokumentabschnitt in eine Liste von Zahlen um (z. B. 1536 Werte).

2. 2

   In PostgreSQL speichern

   Der Vektor landet in einer Spalte vom Typ vector neben den normalen Daten: Name, Preis, Seitenadresse.

3. 3

   Nach Ähnlichkeit suchen

   Die Frage des Kunden wandeln Sie mit demselben Modell in einen Vektor um und bitten die Datenbank um die nächstgelegenen Ergebnisse.

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 der Frage, mit demselben Modell berechnet
SELECT product_url, content
FROM product_chunks
ORDER BY embedding <=> $1
LIMIT 5;

Die Dimension der Spalte muss zum Embedding-Modell passen. Wenn Sie das Modell wechseln, berechnen Sie die Vektoren neu – Vektoren aus zwei Modellen sind nicht vergleichbar.

• •Suche nach Bedeutung, die Synonyme und Bedarfsbeschreibungen versteht, nicht nur Produktnamen.
• •Wissensbasis für einen Kundenservice-Agenten: AGB, Versand, Rücksendungen – der Agent antwortet auf Grundlage Ihrer Dokumente, mit Verweis auf die Quelle.
• •Ähnliche Produkte auf Basis der Beschreibung, wenn Kaufdaten fehlen.
• •Ordnung im Katalog: doppelte Produkte mit unterschiedlichen Namen erkennen.

Ein über MCP verbundener Agent kann selbst eine Tabelle mit Vektoren in einer Datenbank anlegen, für die Sie ihm Vollzugriff gegeben haben, und sie in einer Produktionsdatenbank mit reinem Lesezugriff abfragen. Aufgaben zum Neuberechnen der Vektoren planen Sie in der Datenbank über pg_cron, und Änderungen an Produkten geben Sie per Webhook aus der Datenbank weiter. Details zum Zugriff: PostgreSQL für KI-Agenten.