pgvector w praktyce: wyszukiwanie semantyczne i baza wiedzy dla agenta AI w sklepie

1. 1

   Zamiana tekstu na wektor

   Model embeddingów u wybranego dostawcy AI zamienia opis produktu lub fragment dokumentu na listę liczb (np. 1536 wartości).

2. 2

   Zapis w PostgreSQL

   Wektor trafia do kolumny typu vector obok zwykłych danych: nazwy, ceny, adresu strony.

3. 3

   Wyszukiwanie po podobieństwie

   Pytanie klienta zamieniasz na wektor tym samym modelem i prosisz bazę o najbliższe wyniki.

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 = wektor pytania, policzony tym samym modelem
SELECT product_url, content
FROM product_chunks
ORDER BY embedding <=> $1
LIMIT 5;

Wymiar kolumny musi zgadzać się z modelem embeddingów. Przy zmianie modelu policz wektory od nowa — wektory z dwóch modeli nie są porównywalne.

• •Wyszukiwarka po znaczeniu, która rozumie synonimy i opisy potrzeb, a nie tylko nazwy produktów.
• •Baza wiedzy dla agenta obsługi klienta: regulamin, dostawy, zwroty — agent odpowiada na podstawie Twoich dokumentów, z odnośnikiem do źródła.
• •Produkty podobne na podstawie opisu, gdy brakuje danych o zakupach.
• •Porządki w katalogu: wykrywanie zduplikowanych produktów o różnych nazwach.

Agent podłączony przez MCP może sam założyć tabelę z wektorami w bazie, do której dałeś mu pełny dostęp, i odpytywać ją w bazie produkcyjnej z dostępem tylko do odczytu. Zadania przeliczania wektorów zaplanujesz w bazie przez pg_cron, a zmiany w produktach przekażesz dalej webhookiem z bazy. Szczegóły dostępu: PostgreSQL dla agentów AI.