Docker 快速安装 PostgreSQL + PGvector
我们直接使用官方封装好的镜像，一步到位。打开终端，直接复制并运行下面这段命令（请注意修改 -v 挂载目录为你本地的实际路径）：
docker run -d \
--name my_pgvector \
-p 5432:5432 \
-e POSTGRES_PASSWORD=123456 \
-v ./postgresql/data:/var/lib/postgresql/data \
pgvector/pgvector:pg17这条命令会在后台启动一个带有向量扩展（pgvector）的 PostgreSQL 17 数据库容器。
下面对命令进行拆分解释：
docker run -d： -docker run是 Docker 最常用的命令，用于创建一个新的容器并运行一个命令。 --d(detached): 意思是“后台运行”。如果不加这个参数，容器的运行日志会直接占据你的终端窗口，一旦你按下Ctrl+C或者关闭终端，容器通常会停止。加上-d后，容器会在后台静默运行。--name my_pgvector： + 为你的容器指定一个自定义名称叫my_pgvector。方便后续管理。 + 如果没有这个参数，Docker 会随机分配一个像determined_byd这样古怪的名字。有了名字后，你可以直接通过docker stop my_pgvector来停止它。-p 5432:5432： - 端口映射，格式为宿主机端口:容器内端口。 - PostgreSQL 默认在容器内部监听5432端口。通过这个映射，你可以通过访问你电脑（宿主机）的localhost:5432来连接这个数据库。-e POSTGRES_PASSWORD=123456：设置默认超级用户postgres的登录密码。在生产环境下，千万不要用123456这么简单的密码，建议使用复杂的随机字符串。.-v ./postgresql/data:/var/lib/postgresql/data(重要！！！)
- 挂载数据卷（Volume），格式为宿主机绝对路径:容器内路径。
- 这是最关键的部分，用于 数据持久化 。
- 容器是一个“临时”的环境，删除容器会丢失内部所有数据。通过这个映射，数据库产生的所有数据都会实时写入到你的磁盘。即使你删除了容器，下次再挂载这个目录，数据依然存在。pgvector/pgvector:pg17:指定使用的镜像名和标签（Tag）。
PGvector 向量功能
虽然镜像已经内置了向量功能，但 PostgreSQL 的设计是“插件按需加载”。按理说你得手动执行 CREATE EXTENSION vector;。
但是！ 如果你用的是 Spring AI，你会发现哪怕不手动输入命令，项目也能跑。这是因为 Spring AI 的 PgVectorStore 已经在底层帮你把脏活累活干了。在 Spring 容器启动时，自动检测并初始化 PostgreSQL 的向量数据库环境。
/**
* PgVectorStore 实现了 InitializingBean 接口。
* Spring 容器在完成 Bean 的属性注入后，会自动调用 afterPropertiesSet() 方法。
*/
public class PgVectorStore extends AbstractObservationVectorStore implements InitializingBean {
@Override
public void afterPropertiesSet() {
// 1. 打印初始化日志，确认当前操作的表名和 Schema 名
logger.info("Initializing PGVectorStore schema for table: {} in schema: {}",
this.getVectorTableName(), this.getSchemaName());
logger.info("vectorTableValidationsEnabled {}", this.schemaValidation);
// 2. 校验逻辑：如果开启了校验，则检查数据库中现有的表结构是否符合要求
if (this.schemaValidation) {
this.schemaValidator.validateTableSchema(this.getSchemaName(), this.getVectorTableName());
}
// 3. 初始化开关：如果 initializeSchema 为 false，则跳过后续的所有建表和安装插件操作
// 这通常用于生产环境，由 DBA 手动预先创建好环境
if (!this.initializeSchema) {
logger.debug("Skipping the schema initialization for the table: {}", this.getFullyQualifiedTableName());
return;
}
// --- 数据库底层环境准备 ---
// 4. 安装 pgvector 插件：这是实现向量检索的核心扩展
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS vector");
// 5. 安装 hstore 插件：用于支持键值对存储（通常作为 metadata 的补充）
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS hstore");
// 6. 安装 UUID 插件：如果主键类型配置为 UUID，则需要安装此扩展来生成随机 ID
if (this.idType == PgIdType.UUID) {
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS \"uuid-ossp\"");
}
// 7. 创建数据库 Schema（命名空间），默认为 "public"
this.jdbcTemplate.execute(String.format("CREATE SCHEMA IF NOT EXISTS %s", this.getSchemaName()));
// --- 表结构处理 ---
// 8. 危险操作：如果配置了 removeExistingVectorStoreTable 为 true，则先删除旧表
// 警告：这会导致数据丢失，通常仅用于集成测试环境
if (this.removeExistingVectorStoreTable) {
this.jdbcTemplate.execute(String.format("DROP TABLE IF EXISTS %s", this.getFullyQualifiedTableName()));
}
// 9. 创建向量存储核心表
// id: 主键，类型根据 getColumnTypeName() 动态决定（如 uuid, serial 等）
// content: 原始文本内容
// metadata: 关联的元数据，存储为 JSON 格式
// embedding: 向量字段，指定维度 vector(N)
this.jdbcTemplate.execute(String.format("""
CREATE TABLE IF NOT EXISTS %s (
id %s PRIMARY KEY,
content text,
metadata json,
embedding vector(%d)
)
""",
this.getFullyQualifiedTableName(),
this.getColumnTypeName(),
this.embeddingDimensions()));
// --- 性能优化：索引 ---
// 10. 创建向量索引：提高相似度搜索的效率
// 如果 createIndexMethod 不是 NONE（如 HNSW 或 IVFFlat），则执行创建索引语句
if (this.createIndexMethod != PgIndexType.NONE) {
this.jdbcTemplate.execute(String.format("""
CREATE INDEX IF NOT EXISTS %s ON %s USING %s (embedding %s)
""",
this.getVectorIndexName(), // 索引名称
this.getFullyQualifiedTableName(), // 表名
this.createIndexMethod, // 索引算法 (如 hnsw)
this.getDistanceType().index // 距离度量函数 (如 vector_cosine_ops)
));
}
}
// ... 其他方法
}不过，需要注意的是：当 initialize-schema: false 时，Spring AI 不会自动创建 vector_store 表（上面源码中我也注释了相应的代码）。
spring:
ai:
vectorstore:
pgvector:
initialize-schema: true 建议开发环境设置为 true，方便快速启动。生产环境设置为 false，手动管理数据库 schema，避免意外变更。