pgvector на практиці: семантичний пошук і база знань для AI-агента в магазині

1. 1

   Перетворення тексту на вектор

   Модель ембедингів в обраного AI-провайдера перетворює опис товару або фрагмент документа на список чисел (наприклад, 1536 значень).

2. 2

   Запис у PostgreSQL

   Вектор потрапляє в колонку типу vector поруч зі звичайними даними: назвою, ціною, адресою сторінки.

3. 3

   Пошук за схожістю

   Запитання клієнта ви перетворюєте на вектор тією самою моделлю й просите базу повернути найближчі результати.

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 = вектор запитання, обчислений тією самою моделлю
SELECT product_url, content
FROM product_chunks
ORDER BY embedding <=> $1
LIMIT 5;

Розмірність колонки має збігатися з моделлю ембедингів. Після зміни моделі перерахуйте вектори — вектори двох різних моделей не можна порівнювати.

• •Пошук за змістом, який розуміє синоніми й описи потреб, а не лише назви товарів.
• •База знань для агента підтримки клієнтів: умови продажу, доставка, повернення — агент відповідає на основі ваших документів, із посиланням на джерело.
• •Схожі товари на основі опису, коли бракує даних про покупки.
• •Порядок у каталозі: виявлення дублікатів товарів під різними назвами.

Агент, підключений через MCP, може сам створити таблицю з векторами в базі, до якої ви дали йому повний доступ, і виконувати запити до продакшн-бази з доступом лише для читання. Перерахунок векторів можна запланувати в самій базі через pg_cron, а зміни в товарах передавати далі вебхуком із бази. Подробиці про доступ: PostgreSQL для AI-агентів.