跳到主要内容

使用 SQL 快速进行向量搜索

seekdb 支持使用 SQL 语言进行向量搜索，本文介绍了快速上手方法。

快速上手​

创建向量列和索引​

创建表时，可以使用 VECTOR(dim) 数据类型声明指定列为向量列及其维度。向量索引需要创建在向量列上，且至少需要提供 type 和 distance 两个参数。

示例中创建向量列 embedding，向量数据维度为 3，并在 embedding 列上创建 HNSW 索引，指定距离算法为 L2。

CREATE TABLE t1(
    id INT PRIMARY KEY, 
    doc VARCHAR(200),
    embedding VECTOR(3), 
    VECTOR INDEX idx1(embedding) WITH (distance=L2, type=hnsw)
    );

在数据量较大的情况下建议先导入完数据再创建向量索引。

写入向量数据​

为了模拟在向量搜索的场景，需要先构造一些向量数据，每行数据都包括对数据的描述和对应的向量。示例中假设 '苹果' 对应的向量为 '[1.2,0.7,1.1]'， '胡萝卜' 对应的向量为 '[5.3,4.8,5.4]' 等。

INSERT INTO t1
  VALUES (1, '苹果', '[1.2,0.7,1.1]'),
         (2, '香蕉', '[0.6,1.2,0.8]'),
         (3, '橙子','[1.1,1.1,0.9]'),
         (4, '胡萝卜', '[5.3,4.8,5.4]'),
         (5, '菠菜', '[4.9,5.3,4.8]'),
         (6, '西红柿','[5.2,4.9,5.1]');

为了方便展示，本例简化了向量的维度，仅使用了 3 维向量，且向量是人工生成的。在实际应用中，需要使用嵌入模型对真实的文本进行生成，维度会达到数百或上千维。

可以通过查询表中的数据查看是否写入成功。

SELECT * FROM t1;

预期返回结果如下：

+----+-----------+---------------+
| id | doc       | embedding     |
+----+-----------+---------------+
|  1 | 苹果      | [1.2,0.7,1.1] |
|  2 | 香蕉      | [0.6,1.2,0.8] |
|  3 | 橙子      | [1.1,1.1,0.9] |
|  4 | 胡萝卜    | [5.3,4.8,5.4] |
|  5 | 菠菜      | [4.9,5.3,4.8] |
|  6 | 西红柿    | [5.2,4.9,5.1] |
+----+-----------+---------------+
6 rows in set

执行向量搜索​

进行向量搜索需要提供向量作为搜索条件。假设我们需要找到所有 '水果'，其对应的向量为 [0.9, 1.0, 0.9]，则对应 SQL 为：

SELECT id, doc FROM t1
ORDER BY l2_distance(embedding, '[0.9, 1.0, 0.9]')
APPROXIMATE LIMIT 3;

预期返回结果如下：

+----+--------+
| id | doc    |
+----+--------+
|  3 | 橙子   |
|  2 | 香蕉   |
|  1 | 苹果   |
+----+--------+
3 rows in set

相关文档​

Contents

编辑此页